Jun, 2024

F-FOMAML：使用代理数据的 GNN 增强型元学习进行高峰期需求预测

PDF
TL;DR我们提出了一种新颖的方法，利用非高峰时期的类似实体的代理数据以及基于图神经网络的特征学习模型，将需求预测问题转化为元学习问题，并开发了基于特征的第一阶段模型无关元学习算法 (F-FOMAML)，通过利用代理数据和 GNN 生成的关系元数据来学习特定特征层参数，以适应高峰活动的需求预测。理论上，我们证明了通过考虑任务特定元数据的领域相似性，我们的模型实现了改进的泛化性能，即随着训练任务数量的增加，冗余风险减少。对大规模工业数据集的实证评估表明了我们方法的优越性。与现有的最先进模型相比，我们的方法在需求预测准确性方面取得了显著的改进，在内部自动贩卖机数据集上的平均绝对误差减少了 26.24%，在公开可访问的京东数据集上减少了 1.04%。
demand predictione-commercesales eventsproxy datagraph neural networks
发现论文，激发创造
  • 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

  • 限量销售数据的市场细分需求预测的关系感知元学习

    本文旨在通过提出一种名为 RMLDP 的新算法，该算法结合了多种模式融合网络 (MPFN) 和元学习范式，以解决市场细分需求预测中的数据不足问题。 实验表明，该算法优于一组最先进的基线模型，并已在淘宝等电商平台上进行实际应用。

    Aug, 2020

  • 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

  • 元学习和预测提前期

    我们提出了一种元学习方法（FEML），利用来自其他数据集的样本通过对抗学习作为辅助任务来增强目标数据集的时间序列，同时展示了 FEML 可以在数据集之间进行元学习，并通过对目标数据集进行辅助样本的对抗生成学习，改善了预测性能，相较于单一任务学习和来自联合学习、多任务学习和经典预测基准的各种解决方案。

    Jul, 2023

  • DEK-Forecaster: 融合 EMD-KNN 的新型深度学习模型用于交通预测

    本研究旨在使用深度序列方法来预测网络流量需求，其中包括基于经验模态分解（EMD）的噪声抑制、基于经验规则的异常值检测和基于 K - 最近邻的异常值缓解。

    Jun, 2023

  • 短中期电力需求的遮蔽多步骤概率预测

    本研究提出了 Masked Multi-Step Multivariate Probabilistic Forecasting （MMMPF）框架，通过结合过去的时间信息和未来的已知信息来进行概率预测，以训练任何能够生成输出序列的神经网络模型，用于短期和中期的多区域电力需求预测，并通过各种机器学习方法进行比较验证，结果表明提出的 MMMPF 框架不仅优于基于样本的方法，还优于现有时间序列预测模型。使用 MMMPF 训练的模型还可以生成期望分位数以捕获不确定性，并实现未来电网的概率规划。

    Feb, 2023

  • MCDFN：供应链需求预测通过可解释的多通道数据融合网络模型整合 CNN、LSTM 和 GRU

    通过深度学习构建融合多通道数据的网络（MCDFN），提高需求预测准确性并实现可解释性，优于其他七个深度学习模型，适用于供应链管理系统且为未来研究提供方向。

    May, 2024

  • 异构图神经网络中的半分散式推理用于交通需求预测：一种边缘计算方法

    通过使用云端边缘多个中等大小和高吞吐量的通信网络，提出了一种半分散的方法，以改进出租车需求和供应量预测，该方法结合了集中和分散设置的最佳功能，并且对于出租车需求和供应预测具有 GNN-LSTM 算法的优势。

    Feb, 2023

  • 采用图网络和时序引导嵌入的时空数据需求预测

    本研究提出了一种名为 TGNet 的新的需求预测模型，它集成了图网络和时间导向嵌入，能够高效提取复杂的时空模式，并在其三个实际数据集中取得了与基线模型相当的预测表现，在参数数量上却大幅节省。

    May, 2019

  • 基于文本知识引导的电力需求预测的数值特征发现方法

    提出了一种基于文本知识引导的数字特征发现（TKNFD）方法，通过互动两种模态数据对短期功率需求进行预测，实验结果表明 TKNFD 发现的特征在准确性上优于当前主流特征方案达 16.84% 至 36.36% 的 MAPE，并揭示了功率需求波动中强随机性和非线性性的起源。

    Nov, 2023