KDDJul, 2020

时尚零售产品基于产品年龄的需求预测模型

PDF
TL;DR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。
fashion retailersdemand forecastsproduct ageassortment planningsupply chain
发现论文，激发创造
  • 时尚零售：预测新产品的需求

    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

  • 让预测变得自学习和适应性更强 -- 试点预测机架

    本文旨在通过算法干预，提高零售商在某些产品类别上的预测准确性，选取针织类别作为案例，通过算法架构动态选择最佳算法，采用 AI/ML 建模，预测准确性提高了 20%。

    Jun, 2023

  • 基于深度学习的预测：来自在线时尚业的案例研究

    通过深度学习等方法应对数据量大、不规则、目录更替频繁、固定库存假设等挑战，对在线时尚行业的需求预测问题进行建模分析，并展示了该方法合理有效的实证结果。

    May, 2023

  • 零售需求预测：多元时间序列的比较研究

    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

  • 天猫零售商销售额预测

    本文研究了 Tmall 上售货商销售预测的情况，发现销售具有季节性和 Tweedie 分布特征，为此提出了季节性提取和分布转换两种销售预测机制，并将其应用于神经网络和梯度提升决策树等回归模型，实验结果表明两种机制均能显著提高预测效果。

    Feb, 2020

  • 基于 LSTM 的时态顾客模型用于时尚推荐

    在 Zalando，欧洲领先的在线时尚平台的 10 万名经常购物者的销售数据的回溯实验中，我们使用一对神经网络来模拟不断变化的客户和商店环境，克服冷启动问题，为每个客户预测他们在时尚空间中的风格向量。在比较静态协作过滤方法和流行度排名基线的结果时，我们的推荐方法取得了令人满意的成果。

    Aug, 2017

  • 使用 LightGBM 进行趋势和季节性分解的销售预测改进

    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

  • 利用基于图像的谷歌趋势进行新时尚产品销售的多模式预测

    本文提出了基于神经网络及外部信息学的时序商品销售预测方法，采用谷歌趋势时间序列探针结合多模态信息，预测基于商品的多相关数据不足的情况下其销售情况，其中使用的信息包括商品图片、元数据、相应销售数据及相关趋势。本文所提出的方法在多个方面表现，是同类方法中预测精度最高的一种。

    Sep, 2021

  • 需求预测的多模态神经网络

    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

  • 使用循环神经网络和 Transformer 进行销售预测

    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