Jun, 2023

让预测变得自学习和适应性更强 -- 试点预测机架

PDF
TL;DR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%。
retail salesforecast accuracyalgorithmic interventionsknitwearai/ml forecasting model
发现论文，激发创造
  • 时尚零售产品基于产品年龄的需求预测模型

    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

  • 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

  • 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

  • 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

  • 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

  • 革新零售分析：利用人工智能推进库存和客户洞察力

    该研究旨在引入先进的智能零售分析系统（SRAS）来应对零售业面临的挑战，包括低效的排队管理、需求预测不准确和无效的营销策略，并通过利用基于机器学习的创新方法来提高零售效率和增强客户参与度。

    Feb, 2024

  • 个性化商品种类选择与实时三维感知及贝叶斯收益估计

    现实世界中的产品组合选择是物理零售商面临的一项关键挑战，通过有效地与购物者的喜好相匹配，可以增加销售并减少缺货。为解决这些挑战，我们引入了一个实时推荐系统，利用 3D 计算机视觉和感知技术，以及借助贝叶斯奖励模型、空间聚类和基于图的候选生成算法，以适应异质的消费者喜好和解决组合搜索问题。通过在真实店铺进行多次测试和观察研究，我们展示了销售量分别提高了 35% 和 27%。

    Jun, 2024

  • 在零售领域中使用梯度提升树进行可扩展的概率预测：实践者的方法

    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

  • 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

  • 敏捷预测模型开发的精简框架：实现高效库存管理

    提出了一种开发预测模型的框架，包括数据集清理、算法选择、多重交叉验证等步骤，以及在智能预测竞赛和库存管理中的应用。

    Apr, 2023