分位数回归
由Koenker与Bassett于1978年提出的统计方法，通过最小化Pinball Loss估计因变量在给定条件下的分位数，用于构造预测区间和刻画条件分布
时间轴 (近 90 天)
安全库存公式假设需求近似正态且独立，但实际需求常呈现间歇性、趋势或季节性，此时应采用bootstrap或分位数回归等更稳健的方法。
分位数回归最早由Koenker和Bassett提出，其损失函数称为弹球损失。
分位数回归通过直接对目标变量的条件分位数建模（如同时训练 5%、50%、95% 分位点）来得到预测中位数和区间，不需要假设误差服从高斯分布，对长尾或非对称分布更稳健。
分位数回归、集成学习和贝叶斯方法三种不确定性估计路径各有取舍：分位数回归计算最省，集成学习实现简单但训练成本高，贝叶斯方法理论最优雅但收敛慢。
分位数回归由Koenker与Bassett于1978年提出
分位数回归的训练目标是Pinball Loss（弹球损失），对目标分位数τ，预测值高于真实值以(1-τ)为权重惩罚，低于则以τ为权重惩罚
单纯的分位数回归不提供覆盖率的有限样本保证，需要结合保形校准步骤才能获得严格统计意义
深度学习中通常同时训练多个分位数头（如τ=0.05和τ=0.95）以构造90%预测区间
全部知识事实 (8)
安全库存公式假设需求近似正态且独立，但实际需求常呈现间歇性、趋势或季节性，此时应采用bootstrap或分位数回归等更稳健的方法。
50%待验证分位数回归最早由Koenker和Bassett提出，其损失函数称为弹球损失。
50%待验证分位数回归通过直接对目标变量的条件分位数建模（如同时训练 5%、50%、95% 分位点）来得到预测中位数和区间，不需要假设误差服从高斯分布，对长尾或非对称分布更稳健。
50%待验证分位数回归、集成学习和贝叶斯方法三种不确定性估计路径各有取舍：分位数回归计算最省，集成学习实现简单但训练成本高，贝叶斯方法理论最优雅但收敛慢。
50%待验证分位数回归由Koenker与Bassett于1978年提出
50%待验证分位数回归的训练目标是Pinball Loss（弹球损失），对目标分位数τ，预测值高于真实值以(1-τ)为权重惩罚，低于则以τ为权重惩罚
50%待验证单纯的分位数回归不提供覆盖率的有限样本保证，需要结合保形校准步骤才能获得严格统计意义
50%待验证深度学习中通常同时训练多个分位数头（如τ=0.05和τ=0.95）以构造90%预测区间
50%