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

在迅速发展的就业市场中，技能需求预测对于政策制定者和企业来说至关重要，因为它使其能够预测和适应变化，确保劳动力技能与市场需求相吻合，从而提高生产力和竞争力。然而，缺乏全面的数据集对于研究和这一领域的进展存在重大挑战。为了填补这一差距，我们提出了 Job-SDF，这是一个设计用来训练和基准测试职业技能需求预测模型的数据集。我们的数据集在不同的粒度上评估技能需求预测模型的性能，包括职业、公司和地区水平。我们在此数据集上对一系列模型进行基准测试，在标准情况下、低值范围的预测和结构性突变的情况下评估它们的性能，为进一步的研究提供了新的见解。

Jun, 2024

通过开发机器和深度学习的 “后向预测” 模型，重建多十年需求记录，研究温度的自然变化以及其对需求的影响，以更好地支持电力系统技术和政策的发展过程。

Sep, 2022

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

通过使用机器学习，本研究探索了预测变时患者护理需求的效用，并表明可以利用机器学习提前三天或一周以 4 名患者的准确度预测患者护理需求。

Apr, 2024

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

通过深度学习技术在考虑时空相关性的情况下，提出了融合卷积长短时记忆网络的方法，用于预测中国杭州地区共享出行平台的短期客流需求，通过实验证实了该方法相较于传统方法的更高预测精度。

Jun, 2017

本文提出了一种利用文本新闻特征的长短期记忆网络（LSTM）来成功预测英国国家电力需求的确定性和概率任务。实验结果表明，带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上，相对于官方基准模型改进了近 10%。此外，该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。

Sep, 2023

本文综述了近年来 2020 至 2022 年关于利用深度学习模型基于金融时序数据预测价格的研究，包括不同数据源和神经网络结构的实现细节，旨在让研究人员了解该领域最新进展，方便选择先前研究中使用的模型基线，并提供未来研究建议。

Apr, 2023

本文使用动态任务份额的新方法探讨了过去十年人工智能创新对职业任务需求的影响，尤其是在高、中、低工资职业间的影响，并预测了未来职业任务需求的趋势。这对未来的劳动力转型和再培训起到了关键作用。

Jan, 2020