Forecasting of commercial sales with large scale Gaussian Processes
高斯过程在快速消费品行业中的应用还没有得到足够的讨论。然而,这种技术可能是重要的,因为它,例如,可以提供自动特征相关性确定,并且后验均值可以解锁对数据的洞察。重要的挑战是在销售点的商业数据的大尺寸和高维度。该研究回顾了大数据集的高斯过程建模方法,评估了它们在商业销售中的表现,并显示了这种类型的模型作为管理决策工具的价值。
2017-09-16 stat.AP stat.ML
A Comparative Study on Forecasting of Retail Sales
University of New Mexico(新墨西哥大学);Marquette University(马凯特大学)
预测大型零售公司的产品销售是一项具有挑战性的任务,要考虑到趋势、季节性、事件以及未知因素(如市场竞争、客户偏好变化或不可预见事件,例如,2019冠状病毒病爆发。在本文中,我们对沃尔玛的历史销售数据进行基准预测模型,以预测其未来的销售额。我们提供了一个全面的理论概述和最先进的时间序列预测模型的分析。然后,我们将这些模型应用于预测挑战数据集(Kaggle的M5预测)。具体而言,我们使用传统模型,即ARIMA(自回归综合移动平均),以及最近开发的先进模型,例如,Facebook开发的Prophet模型,微软开发的Light梯度提升机(LightGBM)模型,并对它们的性能进行基准测试。结果表明,ARIMA模型优于Facebook Prophet和LightGBM模型,而LightGBM模型在预测精度方面的损失可以忽略不计,但在大数据集上实现了巨大的计算增益。
2022-03-14 cs.LG q-fin.ST stat.AP
How to Learn from Others: Transfer Machine Learning with Additive Regression Models to Improve Sales Forecasting
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
在各种业务情况下,机器学习方法的引入或改进受到损害,因为这些方法无法利用现有的分析模型。然而,在许多情况下,类似的问题可能已经在其他地方解决了,但是积累的分析知识不能用来解决新问题,例如,因为隐私障碍。对于类似实体的销售预测的特定目的,我们提出了一个转移机器学习方法的基础上添加剂回归模型,让新的实体受益于现有实体的模型。我们评估了一个丰富的,多年的数据集的多个餐厅分店的方法。我们区分了简单地将模型从一个分支转移到另一个分支(“zero shot”)或转移和调整它们的选项。我们分析了几个预测基准的可行性和性能。结果表明,该方法利用集体可用的分析知识的潜力。因此,我们提供了一种超越销售预测和特定用例的可推广方法。此外,我们还展示了其在典型用例中的可行性以及提高预测质量的潜力。这些结果应该告知学术界,因为它们有助于在各个实体之间利用知识,并立即在工业中得到实际应用。
2020-05-15 cs.LG stat.AP
Reference Class Selection in Similarity-Based Forecasting of Sales Growth
本文提出了一种通用的方法来处理预测暴露于行为偏见,找到适当的外部意见,在我们的情况下,分析师的公司销售预测。我们的想法是找到参考类,即同行群体,分别为每个分析的公司,分享相似的公司的利益,就一个特定的预测。如果预测的销售分布与实际分布尽可能接近地匹配,则类被认为是最优的。预测质量的衡量适用于估计的概率积分变换的拟合优度检验,并通过比较预测的分位数。该方法在1950 - 2019年期间对由21,808家美国公司组成的数据集进行了样本外回溯测试,并对其进行了分析。特别是过去的营业利润率似乎是未来销售分布的良好预测因素。一个案例研究比较了我们的分布预测与实际分析师的预测,并强调了我们的方法在实践中的相关性。
2022-11-16 q-fin.ST stat.AP
Distributional Reference Class Forecasting of Corporate Sales Growth With Multiple Reference Variables
本文提出基于秩算法和主成分分析降维的参考类选择方法,用于企业销售增长率分布预测,并在21,808家美国企业1950-2019年数据上验证了其有效性。
2024-05-06 q-fin.ST stat.AP
Approaching sales forecasting using recurrent neural networks and transformers
University of Valencia(瓦伦西亚大学)
准确、快速的需求预测是供应链中的热门话题之一,可以精确执行相应的下游流程(入站和出站计划、库存放置、网络规划等)。我们开发了三种替代方案,以解决使用深度学习技术和Corporación Favorita数据集(作为Kaggle竞赛的一部分发布)预测日/商店/商品级别的客户销售额的问题。我们的实证结果表明,如何良好的性能可以通过使用一个简单的序列到序列的架构,以最小的数据预处理工作。此外,我们还描述了一个训练技巧,使模型更加独立于时间,从而随着时间的推移提高泛化能力。所提出的解决方案实现了约0.54的RMSLE,这与Kaggle竞赛中提出的问题的其他更具体的解决方案具有竞争力。
2022-04-16 cs.AI cs.LG stat.AP
Identifying and Overcoming Transformation Bias in Forecasting Models
Amazon(亚马逊)
目标变量的对数和平方根变换通常用于预测模型以预测未来的销售。这些转换通常会导致更好的模型性能。然而,它们也引入了系统性的负面偏差(预测不足)。在本文中,我们证明了这种偏差的存在,深入探讨其根源,并介绍了两种方法来纠正偏差。我们的结论是,所提出的偏差校正方法提高了模型性能(高达50%),并提出了将偏差校正纳入建模工作流程的理由。我们还尝试了“Tweedie”系列的成本函数,它通过直接对销售进行建模来规避转换偏差问题。我们的结论是,Tweedie回归提供了最好的性能,到目前为止,在销售建模,使其成为一个强大的替代工作与转换的目标变量。
2022-08-24 cs.LG stat.AP
Hierarchical robust aggregation of sales forecasts at aggregated levels in e-commerce, based on exponential smoothing and Holt's linear trend method
我们重温经典的销售预测统计技术,如指数平滑和扩展(霍尔特的线性趋势法)的兴趣。我们这样做,考虑合奏预测,给出了这些经典的技术与不同的(组)参数调整的几个实例,并形成凸组合的合奏预测随着时间的推移,在一个强大的和顺序的方式。这背后的机器学习理论被称为“鲁棒在线聚合”,或“专家建议预测”,或“单个序列预测”(参见Cesa-Bianchi和Lugosi,2006)。我们将这种方法应用于电子商务公司Cdiscount提供的销售分层数据集,并在子子系列,子系列和销售项目系列的水平上进行输出预测,用于各种预测范围(最多6周)。所实现的性能优于通过在训练集上优化调整经典技术并在测试集上使用它们的预测所获得的性能。从内在的角度来看,性能也很好(就平均绝对误差百分比而言)。虽然在子子家族、子家族和家族的层面上获得这些更好的销售预测本身就很有趣,但我们也建议在预测项目层面的需求时将它们用作附加功能。
2020-06-05 stat.AP stat.ML
Bayesian hierarchical modelling of sparse count processes in retail analytics
零售分析领域已经被丰富数据的可用性所改变,这些数据可用于执行需求预测和库存管理等任务。然而,事实证明,一项更具挑战性的任务是预测对销售量很少的产品的需求。结果数据的稀疏性限制了传统分析的部署程度。为了解决这一问题,我们将销售数据表示为结构化的稀疏多变量点过程,该过程允许已知存在于稀疏销售数据中的自相关、互相关和时间聚类等特征。我们引入贝叶斯点过程模型来捕捉这些现象,其中包括一个障碍组件,以应付稀疏性和一个令人兴奋的组件,以应付时间内和跨产品的聚类。然后,我们将此模型转换为贝叶斯分层框架,以允许跨不同产品借用信息,这是解决每个产品数据稀疏性的关键。我们使用真实的销售数据进行了详细的分析,表明该模型在预测能力方面优于现有方法,并讨论了对推断的解释。
2018-05-15 stat.AP
Hierarchical Bayesian Regression for Multi-Location Sales Transaction Forecasting
Microsoft(微软)
本文应用分层贝叶斯回归模型预测多地点全天销售交易,通过跨组共享推断解决单点数据不足问题,在保证可扩展性的同时提升了预测准确度。
2023-06-30 cs.LG stat.AP
Intraday Retail Sales Forecast: An Efficient Algorithm for Quantile Additive Modeling
随着数据在零售业务中的重要性日益增加,销售预测已成为有效管理库存的重要支柱。当面对高需求时,有必要使用密室存储和当日货架补货,以避免缺货。在这种情况下,任何成功实施的补货政策的强制性输入都是获得日内销售的可靠预测。为此,我们使用分位数回归,以适应不同的模式,从一个产品到另一个,我们开发了一个稳定和有效的分位数加性模型算法,计算销售预测在日内的情况下。我们的算法计算速度快,因此适用于实时动态货架补货。作为一个例子,我们研究的情况下,一个经常光顾的商店,在所提出的算法的帮助下,准确地估计了一天中对各种食品的需求。
2019-11-11 stat.AP
A Bayesian Approach for Predicting Food and Beverage Sales in Staff Canteens and Restaurants
Alpen-Adria-Universität Klagenfurt(克拉根福阿尔卑斯-亚德里亚大学)
准确的需求预测是成功管理餐厅和员工食堂的关键因素之一。特别是,正确预测菜单项的未来销售可以精确订购食品库存。从环境的角度来看,这确保了消费前的食物浪费保持在低水平,而从管理的角度来看,这对保证餐厅的盈利能力至关重要。因此,我们有兴趣预测给定菜单项的每日销售量的未来值。相应的时间序列显示出多个强季节性、趋势变化、数据缺口和异常值。我们提出了一种预测方法,它完全基于从销售点系统检索的数据,并允许一个简单的人类解释。因此,我们提出了两个预测未来销售额的广义可加模型。在一个广泛的评估,我们认为两个数据集收集在一个休闲餐厅和一个大型员工食堂组成的多个时间序列,涵盖了20个月的时间,分别。我们表明,所提出的模型适合所考虑的餐厅数据的功能。此外,我们比较我们的方法对其他成熟的预测方法的性能的预测性能。
2021-05-10 cs.LG stat.AP stat.ME
Integrating Marketing Channels into Quantile Transformation and Bayesian Optimization of Ensemble Kernels for Sales Prediction with Gaussian Process Models
University of Pittsburgh(匹兹堡大学)
本文提出一种结合RBF、有理二次和Matérn集成核的高斯过程销售预测模型,并通过贝叶斯优化自动确定核权重,实现98%准确率并显著优于传统GP模型。
2024-06-11 cs.LG stat.AP
Bayesian forecasting of many count-valued time series
本文发展了非负计数时间序列动态模型的预测方法和应用。新的单变量模型合成动态广义线性模型的二进制和条件泊松时间序列,动态随机效应的过度分散。这些模型允许在二进制和非零计数分量中使用动态协变量。序贯贝叶斯分析允许对解耦的时间序列集进行快速、并行的分析。新的多变量模型使信息共享的背景下,数据在更高的聚合水平提供更深刻的推断共享模式,如趋势和季节性。一种新颖的多尺度方法--时间序列中解耦/再耦合概念的一个新例子--使信息能够跨序列共享。这包含了跨系列的联系,同时绝缘的单变量模型的并行估计,因此使系列的数量的可扩展性。主要的激励背景是超市销售预测。详细的例子来自一个案例研究,在多个相关项目的销售多步预测展示了多个系列的预测,与预测准确性指标和概率预测准确性评估的更广泛的问题的讨论。
2018-05-14 stat.AP stat.ME
Dynamics of popstar record sales on phonographic market -- stochastic model
Smoluchowski Institute, Jagiellonian University(雅盖隆大学斯莫卢霍夫斯基研究所);Department of Sociology, Stockholm University(斯德哥尔摩大学社会学系);CIOP, National Research Institute(华沙国家研究CIOP研究院);Institute of Nuclear Physics(核物理研究所);Wydawnictwo Niezalezne(独立出版社)
本文研究了全球最流行30位艺术家的周唱片销量,揭示了其非平凡的记忆特性,并通过MRGJD和MRS模型解释了销量波动规律及集体行为现象。
2013-10-30 cs.SY eess.SY math.DS
Comparing Prophet and Deep Learning to ARIMA in Forecasting Wholesale Food Prices
Idea-re S.r.l.(伊迪亚雷有限公司);Guglielmo Marconi University(古列尔莫·马可尼大学);Cancelloni Food Service S.p.A.(坎切洛尼餐饮服务股份公司)
正确设定销售价格对企业来说非常重要,因此价格时间序列的研究和预测不仅从数据科学的角度来看,而且从经济和应用的角度来看都是一个相关的主题。在本文中,我们研究了不同的技术来预测销售价格所适用的意大利食品批发商,作为一个步骤,对自动化的定价任务通常由人力劳动力。我们考虑ARIMA模型,并将其与Facebook基于广义加法模型的可扩展预测工具Prophet进行比较,并与利用长短期记忆(LSTM)和卷积神经网络(CNN)的深度学习模型进行比较。ARIMA模型在计量经济学分析中经常使用,为所研究的问题提供了一个很好的基准。我们的研究结果表明,ARIMA模型和LSTM神经网络在所考虑的预测任务中表现相似,而CNN和LSTM的组合获得了最佳的整体准确性,但需要更多的时间进行调整。相反,先知是快速和易于使用,但相当不准确。t整体准确性,但需要更多的时间来调整。相反,先知是快速和易于使用,但相当不准确。
2021-08-16 cs.LG stat.AP
Bayesian forecasting of multivariate time series: Scalability, structure uncertainty and decisions
综述了多元时间序列贝叶斯状态空间建模的研究进展。一个主要的重点是解耦/重新耦合的概念,使应用程序的状态空间模型越来越大规模的数据,适用于连续或离散的时间序列的结果。其范围包括经济和金融等领域的预测和多元波动分析的大规模动态图形模型,商业销售和需求预测等领域的离散/计数时间序列预测的多尺度方法,以及互联网流量监控等领域的动态网络流量模型。在应用中,明确的预测,监测和决策目标是至关重要的,并应考虑到模型评估和比较,这是一个突出的观点。
2019-12-11 eess.SP math.DS stat.AP
Exploring the representativeness of the M5 competition data
National Technical University of Athens(雅典国立技术大学);Beihang University(北京航空航天大学);University of Nicosia(尼科西亚大学)
M5竞赛的主要目标是预测沃尔玛的分层单位销售额,评估该领域预测方法的准确性和不确定性,以确定最佳做法并突出其实际影响。然而,零售企业能否推广和利用M5竞争的结果,以更好地支持其决策和经营,取决于M5数据与在不同地区经营、销售不同类型产品和考虑不同营销战略的零售商的单位销售数据的相似程度。为了回答这个问题,我们分析的M5时间序列的特点,并将它们与两个杂货零售商,即Corporación Favorita和一个主要的希腊连锁超市,使用特征空间。我们的研究结果表明,在检查的数据集之间只有很小的差异,支持M5数据的代表性。
2021-07-31 cs.LG stat.AP
DemandLens: Enhancing Forecast Accuracy Through Product-Specific Hyperparameter Optimization
Department of Computer Science & Engineering(计算机科学与工程系);Manipal Academy of Higher Education(Manipal高等学院)
DemandLens提出基于Prophet的预测模型,结合新冠指标和SKU特定超参数优化,提升床垫行业销售预测精度,优化供应链管理。
2025-09-14 cs.LG stat.AP
Regularized Ensemble Forecasting for Learning Weights from Historical and Current Forecasts
The George Washington University(乔治华盛顿大学);Robert H. Smith School of Business, University of Maryland(马里兰大学罗伯特H史密斯商学院)
本文提出了一种结合历史和当前预测的正则化集成方法,通过最小化方差并引入正则化项来优化权重,实验证明其在不同场景下优于传统模型。
2026-08-25 econ.GN q-fin.EC stat.AP