本文提出一种新的方法，通过衡量时间序列的趋势和季节性成分的独特影响来对时间序列进行分组，以提高零售销售预测的准确性。并将该方法应用于沃尔玛销售数据中，取得了较好的预测结果。

May, 2023

准确预测零售行业的需求是财务绩效和供应链效率的重要决定因素。本研究通过将顾客需求的时间序列数据与宏观经济变量（如消费者价格指数（CPI）、消费者信心指数（ICS）和失业率）相结合，开发并比较了各种回归和机器学习模型，以准确预测零售需求。

Aug, 2023

用机器学习和回归分类方法，以及集成模型为主的方法实现 Tmall 网站上的下一次购买预测，最终取得 F1Score 为 6.11 分，排名第七。

Aug, 2014

通过对电子商务中产品资料层次结构的非线性关系进行全球训练，将跨系列信息融入到 LSTM 模型中，从而实现产生准确可靠的销售预测的目标。同时，提出了系统性的预处理框架和产品分组策略，以克服电子商务中的挑战。

Jan, 2019

对于规模更大的电子商务公司的预测挑战，在较少的系列和间歇性数据的聚合级别上进行自顶向下的预测，并进行分解以获取决策级别的预测，通过分布假设产生概率预测，并使用子样本进行直接训练的可扩展方法。

Nov, 2023

通过对大规模时尚销售数据的分析，建立了可预测未来需要的一般化模型，并演示了与不同神经结构、机器学习方法和损失函数的实验结果表现良好。

Jun, 2019

通过整合新闻详情中真实生活事件、历史销售数据、节假日信息以及 Google Trends 产品趋势数据，提出了一种多模式销售预测网络，该网络在超市实际数据集中比现有的销售预测技术具有统计显著性的改进，平均 SMAPE 误差率提高了 7.37％。

Oct, 2022

利用深度学习技术和 Corporación Favorita 数据集，我们提出三种替代方案来解决具体的需求预测问题，设计了一种简单的序列到序列的体系结构以及在此基础上的训练技巧，达到了约 0.54 的 RMSLE 的好性能。

Apr, 2022

本文介绍了一种基于产品年龄的预测模型，对于时尚零售商的需求预测、供应链规划和库存管理都具有重要价值，通过实际案例验证了其在 6-12 个月内准确预测销售额的能力，并可以为下一季度的产品推出时间提供建议，此外还提供了产品组合优化模型，最大化收益并满足业务约束条件，相较于现有方法具有更好的预测效果和可操作性。

Jul, 2020

本文提出了一种基于线性模型的高效时间序列预测模型，其核心组成部分包括：（1）将单通道和多通道数据的不同语义进行集成，对数据进行联合预测；（2）使用一种新的损失函数来替代传统的 MSE 和 MAE 损失以达到更高的预测精度。在广泛使用的基准时间序列数据集上，我们的模型不仅性能优于当前的 SOTA，而且速度提高了 10 倍，并且比最新的 SOTA 模型参数更少。

May, 2023