我有一个事件“出售的物品是否会被退回”，我可以根据购买时收集的信息（产品功能、客户信息、时间和地点等）以一定的概率预测该事件。所以：
P(Return | transaction information) = x% for a specific unit sold
我还有该商品总销量的历史时间序列，以及该商品在未来几周内的销售预测。假设我为每个发生的历史销售提供了相关交易数据，是否可以根据退货概率生成未来预测，这样我就可以有信心地说下周我将获得 15% 的商品总回报率，10 % 后一周等？
如果你有销售后几周回报率的历史数据，我相信你可以做到。这将是一个多输出回归问题，例如，您必须以某种方式制定目标值（即输出矩阵），以便第一周的 %-return 将在第一列中，第二周的 %-return 将在列中两个等等。在此之后，插入所有输入变量并运行多变量多输出回归算法。可以在 scikit-learn 上找到这样的算法（sklearn.multioutput.MultiOutputRegressor: here）
您可能希望进行一些数据聚合。
对于每周和每个项目单元，汇总其所有记录，以便您可以定义返回的数量，还需要公开交易，以便它可以推断出这些退货数量，然后将问题表述为时间序列，您将时间步长定义为周，通过计算返回单位的相对值而不是绝对值来预处理数据，应用 z-score 归一化，然后通过将数据提供给类似 RNN 的模型来自动编码数据以预测值在给定前 t 个时间步的时间步 t+1 处。
一个潜在的想法可能是将其视为分类问题：手动标记返回并训练具有概率输出的逻辑回归。现在你可以给出一个概率性的答案。