Apr, 2022

使用循环神经网络和 Transformer 进行销售预测

PDF
TL;DR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。
demand forecastsupply chaindeep learningcorporación favoritatime-independent
发现论文，激发创造
  • 基于长短期记忆神经网络的电子商务销售需求预测方法

    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

  • 预测购买意向：使用递归神经网络进行自动特征学习

    该研究提出了一种神经网络模型，用于准确预测电子商务中的购物意愿，并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题，同时，多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联，取得了 98％与先进技术相当、甚至超过先进技术的分类准确率，无需进行特定领域或数据集相关的特征工程。

    Jul, 2018

  • 时间序列预测的深度学习：电力负荷案例

    本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。

    Jul, 2019

  • 使用深度学习预测非平稳销售时间序列

    该论文描述了一种深度学习方法，利用时间趋势修正在神经网络模型中预测非平稳时间序列。结果表明，在深度学习模型中加入时间趋势修正块可以显著提高非平稳销售的预测准确性。

    May, 2022

  • 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

  • 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

  • 深度学习模型预测股票指数的比较研究

    本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

    Jun, 2023

  • 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

  • 基于图神经网络的概率性需求预测

    该研究论文在需求预测中通过整合图神经网络到先进的 DeepAR 模型，并利用文章属性相似性构建图形，提出了一种解决独立文章预测和相关文章交互的方法，实验结果表明该方法在真实数据集上始终优于非图形基准，同时产生了对下游业务任务有用的文章嵌入。

    Jan, 2024

  • 时间序列预测的循环神经网络

    本文介绍了一种基于递归神经网络的时间序列预测框架，包括特征工程、特征重要性、点和区间预测以及预测评估，并使用 LSTM 和 GRU 网络进行了实证研究。

    Jan, 2019