早餐、午餐和晚餐应该使用同一套需求预测模型吗？

早餐的现炸油条，过了 9 点没卖掉，基本只能倒掉；晚餐的清蒸鲈鱼缺了一条，一桌客人还可能顺带取消别的加菜。同样叫“预测明天卖多少”，两个时段错一份的代价相差很大，需求的来源也不同。问题不在于模型够不够聪明，而在于一套模型能不能同时回答三个不一样的问题。

先说结论：三个时段不应该共用同一个预测目标，也不必拆成三个互不相干的模型。星期、天气、节假日和菜单变化这些底层特征可以共享；预测目标、时间粒度和误差代价，则要按时段分别设定。2026 年的行业文章常把需求预测、排班和食物浪费追踪列为餐厅里的典型 AI 用例（各家统计口径不同，排名不可尽信），但做得好不好，取决于目标有没有按时段设对。

三个时段，三种需求机制

表中为示例设定，用来说明差异；实际粒度与节点以各店的营业方式为准。

用各自的成本决定备多少

预测得到的应该是一个需求分布，而不是一个数字。备餐量取分布上的哪个位置，取决于多备一份和少备一份分别损失多少：临界比等于缺货损失除以缺货损失加浪费损失，备餐量取需求分布上这个比例对应的分位数。下面用一组模拟数字算两个例子，假设需求近似正态分布。

早餐 · 现炸油条
  预测需求：均值 200 根，标准差 30
  售价 4.0 元，成本 1.6 元，毛利 2.4 元
  缺货时约一半客人改买包子 → 缺货损失 1.2 元
  过窗口即报废 → 浪费损失 1.6 元
  临界比 = 1.2 ÷ (1.2 + 1.6) ≈ 0.43
  备餐量 ≈ 200 − 0.18 × 30 ≈ 195 根

晚餐 · 清蒸鲈鱼
  预测需求：均值 30 条，标准差 6
  售价 88 元，成本 38 元，毛利 50 元
  缺货带走整桌加单 → 缺货损失 60 元
  当晚未售的活鱼折价转员工餐 → 浪费损失 19 元
  临界比 = 60 ÷ (60 + 19) ≈ 0.76
  备餐量 ≈ 30 + 0.71 × 6 ≈ 34 条

同一份预测分布，早餐备餐量略低于均值，晚餐略高于均值。这不是拍脑袋的“保守”或“激进”，而是两种成本结构算出来的结果，必赢亚洲餐饮减废的备餐建议也按这个思路分时段给出。午餐介于两者之间：缺货与浪费大致对等，又能小批量补做。

共享什么，拆开什么

那就给每个时段训练一个完全独立的模型？

数据少的时段会吃亏。早餐只有几个品种、一天只有两三个小时，样本很少，独立训练很容易被一两天的异常天气带偏。共享星期、天气、节假日和菜单变化，新店和新菜品也能借用其他时段学到的规律。必赢亚洲 AI 的时序模型按门店层、时段层、菜品层分层组织，思路与此相同。

共用一个模型，只加一个“时段”字段行不行？

可以做起点，但有两个问题：粒度不同，15 分钟窗口和整个晚市不是同一个预测对象；损失函数也不同。训练时若把多报一份和少报一份看成同样的错误，三个时段都会被拉向平均。应当用分位数目标或加权损失，让每个时段拿到自己的成本比。

天气对三个时段的影响为什么不一样？

行业文章普遍认为，强降雨通常降低到店客流，同时提高即食和外卖需求。早餐是顺路购买，下雨直接减少人流；午餐外卖占比高，堂食的下降会被外卖补上一部分；晚餐的到店意愿受天气影响最大，但已订桌数是已知需求。

预订数据应该放在哪一层？

晚餐的预订是已经确认的需求，模型只需要预测没有预订的散客和预订的到店率。若把预订量当普通特征去拟合总量，就把性质不同的两种需求混在了一起。

三个常见误区

误区一：先预测全天总量，再按固定比例分给三个时段。比例本身就随星期变化。假设工作日早、午、晚约占 24%、46%、30%，周末约占 15%、33%、52%。若固定按 20%、45%、35% 分配，周末晚餐会少备 17 个百分点，周末午餐会多备 12 个百分点。

误区二：用一个平均准确率评价三个时段。同样大小的误差，落在早餐是报废，落在晚餐是缺货。早餐盯报废份数，午餐盯 15 分钟窗口里的等待时长，晚餐盯缺货次数和丢掉的加单。

误区三：把节假日当成统一的加成系数。法定节假日的早餐通勤人流会明显下降，晚餐预订却上升。同一个节假日特征对三个时段的作用方向可以相反，所以共享的是特征，不是系数。

共享特征，分开目标；共享数据，分开代价。