利用世界事件预测异常下的电子商务消费者需求
本文提出 DeepEvent—— 一种基于神经网络、自监督学习和序列嵌入技术的企业 Web 应用程序中 Web 事件预测方法,并在 6 个实际企业 Web 应用程序上进行了实验验证,结果表明 DeepEvent 有效预测 Web 事件和检测基于 Web 的异常,提高了事件预测的情境感知度。
Aug, 2020
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
本文探讨了如何更好地利用新闻中包含的社会信息来理解能源需求方面的人口总体行为,并通过实验分析从国家新闻中提取的预测特征对日前电力需求预测的影响,实验结果表明最佳表现模型可将官方标准误差在 RMSE、MAE 和 SMAPE 方面降低约 4%、11% 和 10%,最佳表现方法包括确定 COVID-19 相关关键字的词频、识别流行病和内部政治新闻的主题分布,识别国际冲突新闻的全球词嵌入,为传统电力需求分析带来了新的视角并确认利用文本中的非结构化信息改进其预测的可行性,具有潜在的社会学和经济学影响。
Jan, 2023
此研究针对加拿大埃德蒙顿市的各类紧急事件,通过数据收集、描述性分析、特征分析与选择以及建立预测模型,以不同时间和空间分辨率预测各类事件的发生概率,并对其与社会经济和人口数据的关联进行分析,结果显示模型在大部分事件类型上表现良好,可用于紧急救援服务部门的资源分配和规划,同时研究还发现 COVID-19 对事件发生和预测模型的精度有显著影响。
Feb, 2024
本文提出了三种结合产品需求特征、专业数据采样方法和集成技术的模型,可以更准确地预测产品广告的用户交互结果,并同时对用户和广告商行为的波动具有鲁棒性。
May, 2018
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
该研究介绍了 Autocast 数据集以及伴随的新闻语料库,以提高语言模型的预测能力,其中还包括数字问题和度量标准的 IntervalQA 数据集,并发现语言模型的性能远低于人类专家基准,但随着模型规模和新闻语料库相关信息的增加,性能有所提高。
Jun, 2022
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
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