追完了，然后呢？
基于 Bangumi 数据归档与可解释机器学习，观察日本动画在未来迎来下一季（第二季及后续）的长期可能性。
在线访问：https://anise2.github.io/
当一部动画完结、屏幕上浮现“おわり”时，每一个观众心中都会升起同一个念头：“这部作品，还会有下一季吗？”
有人在默默等待官方发布会，有人在社区根据零散的销量和话题讨论推测。anise2（续作观测室） 是一个公开的数据科学与机器学习实验：我们基于过去二十年、数千部日本动画的历史轨迹，结合可解释模型与生存分析，试图理出那些影响续作诞生的客观规律，将冰冷的数据转化为陪伴等待的线索。
- 长期概率，而非短视猜想：我们并不预测“明年会不会上映”。一部动画续作从立项、企划到制作往往耗时两三年，更有作品沉寂七八年后迎来文艺复兴。因此模型的目标是：在该系列截至预测时仍未开播下一季的条件下，在未来的任何时候，是否还会推出下一季正式 TV / WEB 动画。
- 引入生存分析（Waiting Time）：“暂时没有续作”绝不等于“永远不会出”。我们采用混合生存模型（Mixture Cure Model）：
- 作品资质（发生率模型）：结合原作类型、历史季数、制作公司过往履历等被保留的特征，评估其孕育续作的底色；前作销量仅在有合格历史记录且被模型保留时使用；
- 等待时长（生存时间分布）：从最新一季首播计算等待天数，模型在每次数据更新时重新计算后续迎来下一季的条件概率。这一估计依赖等待时间分布假设，尚未校准。
机器学习最怕“偷看剧本”（数据泄露）。如果用 2024 年的口碑评分回测 2012 年的动画，得到的高命中率纯属“事后诸葛亮”。本项目确立了极其克制的时间边界：
- 历史特征按首播时点截断：进行历史回测时，模型只使用该季首播时已发生的事实（已播正篇数、续作间隔、首播前已有观测记录的前作碟片销量等）。后续发行事件和后来采集的销量不向历史输入倒填；等待天数则计算到预测截点。
- 作品固有属性按最新归档补齐：模型假定原作类型（漫改/轻改/原创）、承制动画公司等属性在首播时已经确定，由当前最新归档补充。
- 剔除后验噪声字段：当前的社区评分（Bangumi / MAL）、收藏量、用户自定义评价标签、原作连载完结状态等缺乏历史快照的数据，已全数移出训练输入。
这不是完整历史快照回测。当前归档无法认证当年的数据库是否已收录、分类是否一致，也不能验证预测是否早于官方宣布；时间截断不能排除重建历史带来的全部偏差。
如果一个模型对所有动画都回答“这一年没有下一季”，其表面“准确率”也会很高，因为一年内没有续作的样本占多数，但它找不回任何正例。长期尚未续作的作品也不能当成永久负例计算准确率。因此我们关注年度找回率（召回率）与当年续作比例：
- 15 年历史截点（2010–2024）回测结果：
- 当年续作召回率 ≈ 59.9%：在这组逐年验证中，下一年实际开播续作的作品有约六成在年度截点时进入关注圈（命中 571 / 953 次年度续作），不代表早于官方宣布；
- 当年续作比例 ≈ 15.9%：进入关注名单的作品中约 16% 在对应的下一年迎来续作；其余仍需继续观察，不能仅凭当年未续作就判定长期预测失败；
- 平均检索 PR-AUC 达到 0.285。
- 精简特征，减少无贡献输入：各年度分别依据其训练数据筛选；以这次精简实验的主模型为例，从 206 项输入中剔除了 185 项训练分裂增益为零的字段，保留 21 项输入，其中等待天数由生存公式单独使用。这些结果不能证明模型不存在过拟合。
回测关注圈采用历史验证选出的阈值，与首页的概率筛选预设不同。
- Bangumi Archive：核心基石，提供 Bangumi 收录的动画条目、时间轴、系列关系与制作署名；本项目关注 2006 年至今的日本动画；
- 碟片销量（BD / DVD）：Someanithing / Andrew Zhou 快照（2020 年前） + ラノベライブラリ（2021 年起已知卷累平口径，不把未知卷归零）；
- MangaUpdates：漫改/轻改动画的改编终点与连载进度，按实际采集日期保存，不视作首播时已知的资料；
- anime-offline-database & MyAnimeList：跨站 ID 对齐、精美封面与补充信息。
全站采用极轻量的纯静态架构，首屏秒级直出，完全不依赖私有后端服务，所有关注记录仅存储在用户本地浏览器中。
- Node.js >= 18
- Python >= 3.10（本地预览、测试及数据流水线需要；CI 使用 Python 3.12 与 Node.js 22）
# 安装依赖
npm install
# 启动本地预览（自动 predev 生成静态数据并开启静态服务）
npm run dev
# 浏览器访问 http://localhost:5173
# 打包静态站点（输出至 dist/，供 GitHub Pages 部署）
npm run build
# 运行自动化测试（浏览器端到端测试与性能加载检查）
npx playwright install --with-deps chromium
CI=1 npm run test:browser.github/workflows/ci.yml在推送到main后运行测试并发布 GitHub Pages；文案与界面修改复用最近一次训练结果，无需重训。PR 只检查，不发布。也可手动运行此工作流。.github/workflows/update-model.yml每月 1 日北京时间 08:30 运行：自动拉取最新 Bangumi 归档、增量核验商业与跨站数据、重训模型，再调用同一网页发布流程。- 最新训练片单保存在
training-snapshotsRelease 的site-catalog.json.gz，页面发布时读取；历史快照与查询进度也保存在该 Release。封面仅使用远端外链，不缓存图片。
本项目是一个持续探索的开放实验，非常欢迎大家参与完善！无论你是动画爱好者还是数据/算法开发者，都可以通过以下方式帮助 anise2 变得更好：
- 数据勘误与补充：
- 发现系列作品归组、续作派生关系有误或遗漏；
- 补充漫画/轻小说改动画的叙事改编终点（如 MangaUpdates 暂缺的卷号/话数记录）；
- 提供具备明确公开来源与日期的碟片销量，或官方企划终结的明确证据（须可核实观察时间，以维护防穿越原则）。
- 模型与特征构想：
- 构想更多符合“开播前时间截断”防穿越原则的高价值特征；
- 探讨生存分析（Survival Analysis）建模策略与概率校准方法的进一步优化。
- 界面体验与工程改进：
- 对片单筛选、检索交互、可视化图表及移动端体验提出改进想法；
- 反馈页面 Bug 或提出代码优化与无障碍访问建议。
欢迎随时提交 Issues 交流讨论，或发起 Pull Requests 贡献代码与数据！
数据是理性的线索，但每一部动画续作的诞生，背后都凝结着原作者、制作团队、投资委员会与无数热切观众的心血与机缘。
愿每一份真挚的等待，都能在未来的某一天，迎来属于它的延续。