我想了解您对我一直面临的问题的看法。我有日常级别的产品销售信息（大约 4 年）。销售受季节性、星期几、“质量”、营销支出等典型因素的影响（有时事前不可见，这使其成为混杂变量，可能导致因果推理类型方法或潜在变量方法）。

然而，主要挑战是每个产品只能销售 8-12 周（产品生命周期短，易腐烂）。这就是这些产品的整个生命周期。问题是在特定的一天预测单个产品的销售额是多少，然后将它们全部加起来以找到供应商（销售这些产品的人）的总销售额。我们知道将推出什么类型的产品，但我们不知道产品的确切质量或事前营销支出。我们通常知道其他变量，例如市场潜力、发布日期、假期。

请注意，产品的销量在第 1-2 周内很高，然后随着时间的推移而下降（衰减因子），并且并非所有产品都相似，也就是说，无法成功地对曲线进行平均以产生具有代表性的曲线。

注意：我们已经尝试了基于回归的方法（具有高误差）以及 Kaggle 最喜欢的 XGBoost 算法（和 RF）来让模型学习非线性，但问题是短生命周期会产生很多异常值数据点（这意味着从业务角度来看它们实际上不是异常值）。如果它们是正确的方法，可以尝试 RNN、LSTM 等。

提前致谢！！