Optimizing ARDL Models for Retail Sales Forecasting and Fair Pricing
The University of Winnipeg（温尼伯大学）
研究加拿大动态食品定价中消费者被剥削风险，提出将公平约束嵌入零售销售预测的方法，用ARDL模型结合线性规划和模拟退火解决定价问题，对比多种基准模型验证效果，构建出注重公平的定价框架。
2026-07-14 cs.CE cs.LG
Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting
Faculty of Electrical Engineering and Computing, University of Zagreb（Zagreb大学电气工程与计算学院）；It From Bit d.o.o.（It From Bit公司）；Babson College（巴布森学院）；mStart Plus d.o.o.（mStart Plus公司）
本文比较了现代机器学习模型在零售销售预测中的表现，发现基于树的集成方法在特定条件下表现更优。
2026-03-11 cs.AI cs.LG
Optimizing LSTM Neural Networks for Resource-Constrained Retail Sales Forecasting: A Model Compression Study
Campbellsville University（坎贝尔斯维尔大学）
本文通过减少LSTM模型的隐藏单元数，实现了更小的模型体积和更高的预测准确性，证明了在资源受限情况下优化模型的有效性。
2026-01-02 cs.AI cs.LG
One Global Model, Many Behaviors: Stockout-Aware Feature Engineering and Dynamic Scaling for Multi-Horizon Retail Demand Forecasting with a Cost-Aware Ordering Policy (VN2 Winner Report)
Bartosz Szabłowski（巴托斯·斯扎波夫斯基）
本研究提出一种结合全局多时间跨度预测模型和成本感知订货策略的方法，用于多时间跨度零售需求预测，通过缺货感知特征工程和动态缩放提升预测准确性与成本效率。
2026-01-26 cs.LG
Enhancing Retail Sales Forecasting with Optimized Machine Learning Models
HANWHA Qcells America（韩华Qcells美国公司）；Pace University（佩斯大学）
针对零售销量预测中传统方法难以应对复杂季节性和多品类数据的问题，本研究通过随机搜索交叉验证优化随机森林模型，在精度上优于传统方法及多种前沿机器学习模型，为零售预测分析提供更可靠的方案。
2024-12-07 cs.LG
Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种基于趋势和季节性分解的新度量指标，用于对时间序列分组，并结合LightGBM改进零售销售预测，在沃尔玛数据上验证了更高的准确性。
2023-09-01 cs.AI cs.LG
Temporal Fusion Transformer for Multi-Horizon Probabilistic Forecasting of Weekly Retail Sales
Sunbelt Rentals；Northeastern University（东北大学）；Goa University（果阿大学）；KINETICAI INC（KINETICAI 公司）
本研究提出使用 Temporal Fusion Transformer (TFT) 模型融合静态与外生时间信号，对每周 Walmart 销售进行多视野概率预测，实现了高精度的预测区间与模型可解释性，显著优于多种基线模型，为库存规划提供实用价值。
2025-11-01 cs.AI cs.LG econ.GN
Predictive Analytics in E-Commerce for CustomerBehavior Forecasting using hybrid Ret-DNN withXGBoost Model
Chewy Inc（Chewy公司）；Pace Institute of Technology and Atlanta, USA（佩斯理工学院和亚特兰大美国）；Nitte Meenakshi Institute of Sciences（尼特梅恩克希科学学院）；Lovely Professional University（洛丽专业大学）；Infinity Tech Group（无限科技集团）；University（大学）
提出混合Ret-DNN与XGBoost模型，通过特征提取和梯度提升预测客户购买概率，在UK零售数据集上MAE达0.2193。
2026-06-17 cs.LG
Can Deep Learning Predict Risky Retail Investors? A Case Study in Financial Risk Behavior Forecasting
University College London（伦敦大学学院）；Humboldt-University of Berlin（柏林洪堡大学）；University of Southampton（南安普顿大学）
本文探讨了深度学习在支持金融风险管理决策方面的潜力。我们开发了一个深度学习模型来预测个人价差交易者是否能从未来的交易中获得利润。这项任务体现了风险和行为预测所面临的典型建模挑战。传统的机器学习需要代表特征-目标关系的数据，并且依赖于通常昂贵的手工特征的开发、维护和修订。因此，对高度可变的异构模式（如交易者行为）进行建模具有挑战性。深度学习有望提供一种补救措施。以自动方式学习数据的分层分布式表示（例如冒险行为），它揭示了确定目标的生成特征（例如，交易者的盈利能力），避免了人工特征工程，并且对变化（例如动态市场条件）更加稳健。使用深度网络进行操作风险预测的结果证实了深度学习的特征学习能力，为设计合适的网络架构提供了指导，并证明了深度学习优于机器学习和基于规则的基准测试。
2019-11-17 cs.LG q-fin.RM stat.AP
Why Does My Model Fail? Contrastive Local Explanations for Retail Forecasting
University of Amsterdam（阿姆斯特丹大学）；Ahold Delhaize（阿霍德德尔海兹）
在各种商业环境中，人们对使用更复杂的机器学习技术进行销售预测感兴趣。很难说服分析师及其上级采用这些技术，因为这些模型被认为是“黑匣子”，即使它们比当前使用的模型性能更好。我们研究的影响对比解释大错误的用户的态度对“黑箱”模型。我们提出了一个算法，合理预测的蒙特卡罗边界。在大误差的情况下，MC-BRP确定（1）将导致合理预测的特征值，以及（2）每个特征和目标之间的一般趋势，两者都基于蒙特卡洛模拟。我们通过对75名参与者进行用户研究，对真实用户的真实数据集进行评估，以确定MC-BRP生成的解释是否有助于用户理解为什么预测会导致较大的错误，以及这是否会促进对自动学习模型的信任。我们的研究表明，当提供这些对比解释时，用户能够回答关于模型预测的客观问题，总体准确率为81.1%。我们发现，看到MC-BRP解释的用户理解为什么该模型在预测中产生的大误差显著高于对照组的用户。我们还对从业者和研究者之间的态度差异进行了深入分析，并确认我们的结果在用户背景条件下成立。
2019-11-27 cs.AI cs.HC cs.LG
Demand Forecasting using Long Short-Term Memory Neural Networks
Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用技术大学）；inovex GmbH（inovex 有限公司）
在本文中，我们调查在何种程度上长短期记忆神经网络（LSTM）是适合在电子杂货零售业的需求预测。为此，单变量以及多变量LSTM为基础的模型开发和测试的背景下，100个快速消费品的硕士论文。平均而言，开发的模型显示出比统计和机器学习家族的比较模型更好的食品结果。单独在饮料领域随机森林和线性回归取得了稍好的效果。这一结果表明，LSTM可以用于产品层面的需求预测。这里介绍的模型的性能超出了目前的研究状态，这可以从基于数据集的评估中看出，不幸的是，迄今为止还没有公开。
2020-08-19 cs.LG stat.ML
Making forecasting self-learning and adaptive -- Pilot forecasting rack
TCS（塔塔咨询服务公司）
针对零售部分品类需求预测准确率低的问题，研究提出预测机架方法，通过决策模型根据状态动态选最优算法，结合高级特征工程的AI/ML模型将针织品品类预测准确率从60%提升至80%，且易适配不同客户场景。
2023-06-12 cs.AI cs.LG q-fin.CP
Causal Forecasting for Pricing
Zalando SE
针对定价场景下需求预测需建模价格-需求因果关系以支撑最优定价的问题，本文融合双重机器学习与transformer预测模型，在合成数据和真实数据实验中均展现出更优的因果效应估计与离策略预测性能。
2024-01-30 cs.LG stat.ML
Deep Learning based Forecasting: a case study from the online fashion industry
Zalando SE（Zalando公司）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Morgan Stanley（摩根士丹利）
本文针对在线时尚行业需求预测中数据量大、不规则、高周转和固定库存等挑战，提出一种深度学习预测方法，通过控制价格与需求关系处理固定库存假设，并实证验证其有效性。
2023-05-23 cs.AI cs.LG
On the use of learning-based forecasting methods for ameliorating fashion business processes: A position paper
University of Verona（维罗纳大学）；Humatics Srl（Humatics有限公司）
时装业是世界上最活跃和最具竞争力的市场之一，每年生产数百万种产品，并吸引大量观众。这个大规模的行业涉及过多的业务流程，但由于服装产品的生命周期普遍较短，供应链管理和零售战略对于良好的市场业绩至关重要。正确理解客户的需求和需求，管理物流问题和营销正确的产品是高层次的问题，考虑到影响因素的数量，但最重要的是由于与未来相关的不可预测性。因此，很明显，预测方法，产生对未来的预测，是必不可少的，以改善所有的各种业务流程，处理真正的目的和意义的时尚：有很多人穿一个特定的产品或风格，使这些项目，人，从而品牌时尚。在本文中，我们概述了三个具体的预测任务，任何时装公司都可以应用，以提高其行业和市场的影响。我们强调所有三项任务的进展和问题，并讨论它们的重要性以及它们在工业层面上可能产生的影响。最后，我们强调了未来工作的问题和方向，反映了基于学习的预测方法如何进一步帮助时尚行业。
2022-11-09 cs.CV cs.LG
Reproducibility Companion Paper: Knowledge Enhanced Neural Fashion Trend Forecasting
National University of Singapore（新加坡国立大学）；Shenzhen University（深圳大学）；The Hong Kong Polytechnic University（香港理工大学）；ETRI（韩国电子通信研究院）；UST（韩国科学技术联合大学院大学）；National Yang Ming Chiao Tung University（阳明交通大学）
这篇配套论文支持复制我们在ICMR 2020中提出的KERN（知识增强递归网络）方法的时尚趋势预测实验。我们提供了一个工件，允许使用Python实现的实验复制。该工件易于部署，只需简单的安装、培训和评估。我们重现在原始文件中进行的实验，并获得类似的性能，如先前报道的。实验的重复性结果支持了原始论文中的主要主张。
2021-05-25 cs.IR cs.LG cs.MM
Exploring AI in Fashion: A Review of Aesthetics, Personalization, Virtual Try-On, and Forecasting
本文综述了四个领域的方法、数据集和评估指标，涵盖美观、个性化、虚拟试穿和预测，探讨了技术方法与推荐系统的关系及跨领域依赖，识别了集成AI驱动时尚系统面临的挑战和未来方向。
2026-03-19 cs.CV cs.LG
TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting
Georgia Institute of Technology（佐治亚理工学院）；Amazon（亚马逊公司）
提出时间对齐Transformer（TAT），通过嵌入时间对齐注意力机制利用先验上下文变量，在保持整体性能的同时将峰值需求预测准确率提升达30%。
2025-07-14 cs.AI cs.LG
New Fashion Products Performance Forecasting: A Survey on Evolutions, Models and Emerging Trends
University of Verona（维罗纳大学）
本文针对快时尚行业环境问题下的新时尚产品表现预测（NFPPF）难题，遵循PRISMA流程开展系统综述，提出首个覆盖该领域学习方法的分类体系，梳理多模态方法与数据集，并探讨挑战与未来方向。
2025-01-17 cs.CV cs.LG
Product Characterisation towards Personalisation: Learning Attributes from Unstructured Data to Recommend Fashion Products
ISR, IST, Universidade de Lisboa（里斯本大学系统与机器人研究所、高等理工学院）
在本文中，我们描述了一种解决方案，以解决电子商务中的一系列常见挑战，这些挑战来自于新产品不断被添加到目录中的事实。这些挑战涉及适当地个性化客户体验，预测需求和规划产品范围。我们认为，解决所有这些问题的基础是拥有关于每个产品的一致和详细的信息，这些信息很少提供或一致，因为供应商和产品类型众多。我们详细描述了在ASOS，世界上最大的时尚电子商务零售商之一，以解决这个问题的架构和方法。然后，我们将展示如何利用这种定量的产品的理解，以提高建议的混合推荐系统的方法。
2018-03-20 cs.CL cs.CV cs.IR
SPADE-S: A Sparsity-Robust Foundational Forecaster
SPADE-S提出一种鲁棒稀疏性的基础预测架构，通过减少幅度与稀疏性偏差，在需求预测中提升精度，P90最高提升6.58%，P50最高提升1.95%。
2025-08-06 cs.LG stat.ML
Demand Forecasting of Individual Probability Density Functions with Machine Learning
Blue Yonder GmbH（蓝越有限公司）；IU Internationale Hochschule（IU国际大学）；Blue Yonder India Private Limited（蓝越印度私人有限公司）
需求预测是零售商补货流程的核心组成部分，因为它为订购流程等后续决策提供了关键输入。与点估计（如基础概率分布的条件均值或置信区间）相比，预测完整的概率密度函数允许调查对运营指标的影响，这对于定义整个预期需求范围内的业务策略非常重要。而度量评估点估计被广泛使用，用于评估预测分布的准确性的方法是罕见的，这项工作提出了新的技术，定性和定量的评估方法。使用监督机器学习方法“循环提升”，可以预测完整的个体概率密度函数，使得每个预测都是完全可解释的。这对从业者来说特别重要，因为它可以避免“黑箱”模型，并了解每个预测的影响因素。需求预测方法的可解释性和可推广性方面的另一个关键方面是时间混杂的影响的限制，这在大多数最先进的方法中是普遍存在的。
2021-07-22 cs.LG stat.ML
QxEAI: Quantum-like evolutionary algorithm for automated probabilistic forecasting
针对预测对商业决策的重要性，提出基于类量子进化算法的QxEAI概率预测方法，训练类量子逻辑决策树与经典价值树，在三个真实数据集上实现了少人工的准确预测。
2024-06-21 cs.AI cs.LG cs.NE
Hierarchical forecast reconciliation with machine learning
National Technical University of Athens（雅典国立技术大学）；Monash University（莫纳什大学）；University of Bath（巴斯大学）
分层预测方法已被广泛用于支持一致的决策，提供一致的预测，在不同的聚合水平。传统的层次预测方法，如自下而上和自上而下的方法，集中在一个特定的聚合水平锚的预测。在过去的几十年中，这些方法已经被各种线性组合方法所取代，这些方法利用来自完整层次结构的信息来产生更准确的预测。然而，这些组合方法的性能取决于所检查的系列及其关系的特殊性。本文提出了一种新的分层预测方法的基础上，机器学习，处理这些限制在三个重要方面。首先，所提出的方法允许一个非线性组合的基础预测，因此比线性方法更一般。第二，它在结构上结合了提高样本后经验预测准确性和一致性的目标。最后，由于其非线性的性质，我们的方法选择性地结合了直接和自动化的方式，而不需要完整的信息，必须用于生产调和预测的每个系列和水平的基础预测。使用来自旅游业和零售业的两个不同数据集，从准确性和偏差方面评估了所提出的方法。我们的研究结果表明，所提出的方法提供了优越的点预测比现有的方法，特别是当系列组成的层次结构不具有相同的模式。
2020-06-03 cs.LG stat.CO stat.ML
LLMForecaster: Improving Seasonal Event Forecasts with Unstructured Textual Data
Georgia Institute of Technology（佐治亚理工学院）；Amazon（亚马逊公司）；NYU（纽约大学）
本文提出 LLMForecaster，通过微调 LLM 将非结构化文本语义、上下文与历史数据纳入预测后处理，显著改进零售场景中节假日驱动的季节性需求预测。
2024-12-03 cs.CL cs.LG
Improving Coherence in Hierarchical Time Series Forecasting using Structured Temporal Fusion
提出层次时间融合（HTF）模型，通过结构化层次嵌入和一致性损失函数，在训练中直接嵌入一致性约束，同时建模时间动态和结构一致性，在M5和能源数据集上降低不一致性并提升预测精度。
2026-06-26 cs.LG
Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates
Luxembourg Institute of Science and Technology（卢森堡科学技术研究院）
本文提出一种结合物理确定性PV模型作为协变量的神经自回归模型，通过单一模型处理地理分散的PV站点，引入截断高斯输出分布，在日内功率预测中相对物理基线达到15.72%的技巧评分。
2024-08-28 cs.LG
Forecasting sales with Bayesian networks: a case study of a supermarket product in the presence of promotions
Monash University（蒙纳士大学）
销售预测是供应链中生产计划、物资计划和预算等诸多管理决策的前提。促销是最重要的商业策略之一，通常用于促进销售。虽然促销活动对产生需求具有吸引力，但在促销活动存在的情况下，往往很难预测需求。在过去的几十年中，已经开发了几种定量模型来预测销售，包括统计和机器学习模型。然而，这些方法可能不足以解释可能影响销售的所有内部和外部因素。因此，定性模型与定量方法一起被采用，因为咨询专家已被证明可以通过提供背景信息来提高预测准确性。这些模型被广泛用于解释可能导致销售快速变化的因素，例如在促销期间。在本文中，我们的目标是使用贝叶斯网络来预测促销销售的因素，如价格，促销类型和产品位置的组合影响销售。我们选择开发BN模型，因为BN模型本质上具有将各种定性和定量因素与因果形式相结合的能力，使其成为促销期间销售预测的有吸引力的工具。在本案例研究的背景下，这可以用来调整公司的促销策略。我们从在澳大利亚销售产品的零售商处收集特定产品的销售数据。我们为该产品开发了贝叶斯网络，并通过实证分析验证了我们的结果。本文证实BN可以有效地用于预测销售额，尤其是在促销期间。最后，我们提供了一些研究途径，使用BN预测销售。
2021-12-16 cs.LG
Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset
Independent Researcher（独立研究者）
本文提出用LIME和SHAP解释时间序列预测的统一框架，以航空旅客数据集验证滞后特征与季节性编码对预测方差的主要解释作用，并提供方法论、理论、实证与实用指南。
2025-08-17 cs.AI cs.LG stat.ME
Hierarchical Neural Additive Models for Interpretable Demand Forecasts
Christian-Albrechts-University Kiel（基尔大学）；Institute for Business（商务研究所）
本文提出面向时间序列的HNAM，通过用户指定的协变量交互层次增强NAM，在真实零售数据上兼顾有竞争力的预测精度与直观可解释性。
2024-04-05 cs.HC cs.LG
FlowScope: Enhancing Decision Making by Time Series Forecasting based on Prediction Optimization using HybridFlow Forecast Framework
B V Raju Institute of Technology（B V Raju理工学院）；Dept. AI and Data Science（人工智能与数据科学系）
本文提出名为FlowScope的深度混合学习框架，结合ARIMA、SARIMA、ETS和LSTM模型的优势，为时间序列预测提供强大平台，助力企业做出明智决策并优化长期战略。
2024-11-16 cs.CE cs.LG eess.SP
GEANN: Scalable Graph Augmentations for Multi-Horizon Time Series Forecasting
Amazon Forecasting Science（亚马逊预测科学部门）；University of Washington（华盛顿大学）
本文提出GEANN方法，利用图神经网络作为编码器的数据增强，通过端到端优化捕捉序列间关系，有效缓解多时段时序预测中的冷启动问题，并在大规模电商需求预测中显著提升冷启动商品表现。
2023-07-07 cs.AI cs.LG
A Dataset for Learning Graph Representations to Predict Customer Returns in Fashion Retail
University College London（伦敦大学学院）；ASOS AI（ASOS人工智能部门）
我们提出了一个新的数据集收集的ASOS（一个主要的在线时装零售商），以解决预测客户回报的挑战，在时装零售生态系统。随着这一重要数据集的发布，我们希望能够激励研究社区和时尚行业之间的进一步合作。我们首先探索这个数据集的结构，重点是图表示学习的应用，以利用自然的数据结构，并提供对数据中特定特征的统计见解。除此之外，我们还展示了一个返回预测分类任务的示例，该任务选择了基线模型（即没有中间表示学习步骤）和一个基于图形表示的模型。我们表明，在下游收益预测分类任务中，使用图神经网络（GNN）可以找到0.792的F1分数，改进了本文中讨论的其他模型。除了增加F1分数之外，我们还通过将数据重新转换为图形结构来降低交叉熵损失，这表明基于GNN的解决方案的预测更加稳健。这些结果提供了证据，证明GNN可以在所呈现的数据集上提供比其他基线模型更有影响力和可用的分类，并且出于这个动机，我们希望鼓励使用ASOS GraphReturns数据集进一步研究基于图的方法。
2023-03-12 cs.DB cs.IR cs.LG
Blockchain Federated Learning for Sustainable Retail: Reducing Waste through Collaborative Demand Forecasting
DISMI, University of Modena and Reggio Emilia（DISMI，Modena和Reggio Emilia大学）；En\&Tech, University of Modena and Reggio Emilia（En\&Tech，Modena和Reggio Emilia大学）；DIN, University of Bologna（DIN，博洛尼亚大学）
本文提出基于区块链的联邦学习方法，用于零售行业协作需求预测，以减少食品浪费并提升效率。
2026-02-04 cs.AI cs.CR cs.LG
PA-CFL: Privacy-Adaptive Clustered Federated Learning for Transformer-Based Sales Forecasting on Heterogeneous Retail Data
University of Cambridge（剑桥大学）；The Alan Turing Institute（阿兰·图灵研究所）
针对零售异构数据下联邦学习需求预测的精度与隐私平衡问题，提出PA-CFL方法，通过差分隐私与特征分布划分气泡集群、适配Transformer模型，提升预测精度的同时保障隐私与系统鲁棒性。
2025-03-21 cs.CR cs.LG
Implementing Reinforcement Learning Algorithms in Retail Supply Chains with OpenAI Gym Toolkit
从降低成本到改善客户体验，预测是零售供应链管理（SCM）的关键，也是提高供应链绩效的关键。一些零售商正在使用AI/ML模型来收集数据集，并在认知需求预测、产品寿命终止、预测和需求集成产品流等应用中提供预测指导。这些领域的早期工作着眼于经典算法，以改进网络流和图等各种挑战。但最近的中断使供应链具有应对突发事件的弹性变得至关重要。最大的挑战在于使供给与需求相匹配。强化学习（RL）凭借其训练系统以响应不可预见环境的能力，正越来越多地在SCM中采用，以提高预测准确性，解决供应链优化挑战，并训练系统以响应不可预见的情况。像UPS和亚马逊这样的公司已经开发了RL算法来定义获胜的AI策略，并跟上消费者不断增长的交付期望。虽然有很多方法可以为供应链用例构建RL算法，但OpenAI Gym工具包正成为首选，因为它具有强大的事件驱动模拟框架。本白皮书探讨了RL在供应链预测中的应用，并描述了如何使用OpenAI Gym工具包构建合适的RL模型和算法。
2021-04-27 cs.AI cs.LG
The cost of ensembling: is it always worth combining?
Department of Economics, Management and Statistics, University of Milano-Bicocca, Milan, Italy（经济学、管理与统计系，米兰-比科卡大学，米兰，意大利）
本研究评估了时间序列预测中集成的成本效益，发现集成提升准确性但增加计算成本，小型集成和降低再训练频率可在保持精度的同时显著降低成本。
2025-07-09 cs.LG stat.AP stat.OT
Causal Effect Estimation with Global Probabilistic Forecasting: A Case Study of the Impact of Covid-19 Lockdowns on Energy Demand
Monash University（莫纳什大学）；Lauriston Girls’ School（劳里斯顿女子学校）
电力行业正在大力实施智能网格技术，以提高可靠性、可用性、安全性和效率。这一实施需要技术进步、标准和法规的制定以及测试和规划。智能电网负荷预测和管理对于减少需求波动和改善连接发电商、分销商和零售商的市场机制至关重要。在政策实施或外部干预期间，有必要分析其对电力需求影响的不确定性，以使系统能够对波动的需求做出更准确的反应。本文分析了外部干预对电力需求影响的不确定性。它实现了一个框架，该框架使用深度学习方法将概率和全局预测模型相结合，以估计干预措施的因果影响分布。通过预测受影响实例的反事实分布结果，然后将其与真实结果进行对比，来评估因果效应。我们将新型冠状病毒封城对能源使用的影响作为案例研究，以评估此干预措施对电力需求分布的非均匀影响。我们可以证明，在澳大利亚和一些欧洲国家最初的封锁期间，波谷的下降往往比波峰的下降更显著，而平均值几乎没有受到影响。
2022-10-20 cs.AI cs.LG econ.EM
A Predict-then-Correct Loop Based on Few-Shot Continuous Contextual Bandit for Demand Forecasting
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Massachusetts Institute of Technology（麻省理工学院）
研究针对零售需求预测难题，提出预测-校正框架，运用少样本连续上下文博弈校正策略等，经实验在多需求模式下显著降低误差、提高RMSE并降低库存成本，证明在线预测校正能连接离线需求学习与实时零售决策。
2026-07-21 cs.AI cs.LG
Utilizing artificial neural networks to predict demand for weather-sensitive products at retail stores
Wayne State University（韦恩州立大学）
有效的供应链管理的一个关键要求是其库存管理的质量。不同的库存管理方法通常被用于基于其需求模式、产品属性和供应网络的不同类型的产品。在本文中，我们的目标是开发强大的需求预测方法，在零售商店的天气敏感的产品。我们采用了沃尔玛的历史数据集，其客户和市场经常受到极端天气事件的影响，这可能会对受影响商店和产品的销售产生巨大影响。我们希望准确预测111种可能对天气敏感的产品在美国沃尔玛45个零售点的主要天气事件发生时的销售情况，我们可能会在大雷雨前预计雨伞的销售会有所上升，但补货经理很难预测在暴风雨期间和之后避免缺货或积压所需的库存水平。虽然他们依靠各种供应商工具来预测极端天气事件的销售情况，但他们大多采用一个耗时的过程，缺乏系统的有效性衡量标准。我们采用对任何分析项目至关重要的所有方法，并从数据探索开始。从原始历史数据集中提取关键特征，以提高需求预测的准确性和鲁棒性。特别是，我们采用人工神经网络预测在主要天气事件前后销售的每种产品的需求。最后，我们评估我们的模型，以评估其准确性和鲁棒性。
2017-11-20 cs.LG stat.ML
FreshRetailNet-50K: A Stockout-Annotated Censored Demand Dataset for Latent Demand Recovery and Forecasting in Fresh Retail
Fresh Retail, Inc.（新鲜零售公司）
针对生鲜零售中缺货导致的销售数据删失问题，提出首个大规模基准数据集FreshRetailNet-50K，包含50,000条高时间分辨率小时级销售序列及缺货标注，并展示了两阶段需求建模方法，将预测准确率提升2.73%，需求低估偏差从7.37%降至近零。
2026-06-19 cs.LG
Predicting Future Sales of Retail Products using Machine Learning
University of Southern California（南加州大学）
基于现在和过去的数据进行未来预测的技术一直是直接应用于各种现实生活问题的领域。我们在本文中讨论了一个类似的问题。问题陈述由Kaggle提供，它也是Kaggle平台上正在进行的竞赛。在这个项目中，我们使用了一个具有挑战性的时间序列数据集，该数据集由俄罗斯最大的软件公司之一1C公司提供的每日销售数据组成。目标是根据过去的数据预测下个月每个产品和商店的总销售额。为了执行下个月的预测，我们部署了基于极端梯度提升（XGBoost）和长短期记忆（LSTM）的网络架构来执行学习任务。使用实际目标值和预测目标值之间的均方根误差（RMSE）来评估性能，并对部署的算法进行比较。已经发现XGBoost在这个数据集上比LSTM表现得更好，这可以归因于其相对较高的稀疏性。
2020-08-18 cs.LG stat.ML
Hyper-local sustainable assortment planning
IBM Research（IBM研究院）
对于任何零售商来说，产品组合规划都是一项重要的季节性活动，涉及到选择合适的产品子集在每家商店进行库存。虽然现有的方法只能最大化预期收入，但我们建议通过Higg材料可持续性指数将环境影响也包括在内。收入和环境影响之间的权衡是通过多目标优化方法来平衡的，该方法产生了一个帕累托前沿的最优方案供商家选择。使用所提出的方法在几个产品类别的领先的时装零售商表明，选择具有较低的环境影响，对收入的影响最小的配件是可能的。
2020-07-27 cs.AI cs.LG stat.ML
Switch-Hurdle: A MoE Encoder with AR Hurdle Decoder for Intermittent Demand Forecasting
Switch-Hurdle通过结合MoE编码器和AR障碍解码器，有效捕捉间歇性需求的双重过程，实现高精度预测。
2026-02-26 cs.LG
Contextual Deconvolution for Variance-Stable Demand Sensing: Kernel-Modulated Operators in Promotional Retail
Amirkabir University of Technology（伊朗德黑兰阿米尔卡比尔理工大学）
研究针对机器学习需求预测运营波动性大的问题，提出上下文反卷积（CD）方法，通过核调制算子分离冲击与基线、分层部分池化实现目录规模部署，经样本外评估，CD在降低成本和提高预测可靠性上有贡献。
2026-07-29 cs.LG math.OC stat.ML
Well Googled is Half Done: Multimodal Forecasting of New Fashion Product Sales with Image-based Google Trends
University of Verona（维罗纳大学）；Humatics Srl（Humatics有限责任公司）
本文提出一种结合Google Trends时间序列与多模态信息的神经网络方法，用于在缺乏历史数据时预测新型时尚产品销量，并发布VISUELLE数据集，实验证明该方法在WAPE指标上提升1.5%预测精度。
2024-01-14 cs.CV cs.LG
MDiFF: Exploiting Multimodal Score-based Diffusion Models for New Fashion Product Performance Forecasting
University of Verona（维罗纳大学）
本文提出 MDiFF，一种结合基于分数的扩散模型与轻量级 MLP 的两步多模态方法，用于预测无历史数据的全新时尚产品销量，并达到当前最先进的准确性与效率。
2024-12-07 cs.CV cs.LG
Dif4FF: Leveraging Multimodal Diffusion Models and Graph Neural Networks for Accurate New Fashion Product Performance Forecasting
University of Verona（维罗纳大学）；QUALYCO S.r.l.（QUALYCO有限责任公司）
针对快时尚新品无历史数据、确定性预测模型易受域偏移影响的问题，本文提出结合多模态扩散模型与图卷积网络的两阶段预测框架Dif4FF，在标准数据集VISUELLE上取得了新品销量预测的最优效果。
2024-12-07 cs.CV cs.LG
GNBAN: Graph Neural Basis Attention Networks for Long-Horizon Forecasting over Large Entity Sets
Phi Labs, Quantiphi
提出GNBAN架构，通过异构图表示学习和可解释的基分解头，实现大规模零售需求预测，在M5和Favorita数据集上WRMSSE降低4-5%。
2026-06-29 cs.AI cs.LG
Sequential LLM Framework for Fashion Recommendation
Washington University in St. Louis（圣路易斯华盛顿大学）；Amazon（亚马逊公司）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
提出一种序列时尚推荐框架，利用预训练LLM结合推荐特定提示、参数高效微调和基于混合的检索技术，显著提升了时尚推荐性能。
2024-10-15 cs.AI cs.CL cs.IR
Context-aware Retail Product Recommendation with Regularized Gradient Boosting
Razorthink Inc（拉佐思维公司）
在FARFETCH时尚推荐挑战中，参与者需要预测各种产品在推荐印象中向用户展示的顺序。数据分两个阶段提供-验证阶段和测试阶段。验证阶段有一个带标签的训练集，其中包含一个二进制列，指示产品是否已被点击。该数据集包含超过5，000，000个推荐事件，450，000个产品和230，000个独立用户。它代表了FARFETCH平台的实际用户的真实，公正，但匿名的互动。根据第二阶段的表现进行最终评价。共有167名参与者参加了挑战，我们在最终评估中获得了第6名，测试集的MRR为0.4658。我们设计了一个独特的上下文感知系统，它考虑到产品与用户上下文的相似性，从而更有效地对产品进行排名。评估后，我们已经能够微调我们的方法，在测试集上的MRR为0.4784，这将使我们处于第三位。
2021-09-17 cs.AI cs.IR cs.LG
Optimization of Deep Learning Models for Dynamic Market Behavior Prediction
Cornell University（康奈尔大学）；Carnegie Mellon University（卡内基梅隆大学）；Excellent Era Lending Service Corp.；New York University（纽约大学）；National University of Singapore（新加坡国立大学）
本文提出了一种结合多尺度时间卷积、门控循环模块和时间感知自注意力的混合序列模型，用于多时间跨度的零售需求预测，通过严格的时间分割和基准测试验证了模型在提升预测准确性和鲁棒性方面的有效性。
2025-11-24 cs.LG
PAE: LLM-based Product Attribute Extraction for E-Commerce Fashion Trends
Walmart Global Technology（沃尔玛全球技术部门）
针对电子商务时尚趋势报告中的产品属性提取问题，提出PAE框架，利用多模态信息从PDF中提取属性，并通过BERT匹配目录，平均F1达92.5%。
2024-05-27 cs.AI cs.CV cs.LG
Improving Sales Forecasting Accuracy: A Tensor Factorization Approach with Demand Awareness
University of Minnesota（明尼苏达大学）；Shanghai Jiao Tong University（上海交通大学）；University of California, Irvine（加州大学欧文分校）
由于可以从消费者、产品和商店获得大量数据汇集，高级销售预测能力已经引起了许多公司的高度关注，特别是在零售业，因为它在决策中的重要性。预测准确性的提高，即使是很小的百分比，也可能对公司的生产和财务规划、营销策略、库存控制、供应链管理以及最终的股票价格产生重大影响。具体而言，我们的研究目标是预测每个商店在不久的将来每个产品的销售情况。受个性化上下文感知推荐系统的张量因子分解方法的启发，我们提出了一种称为高级时间潜在因素销售预测方法（ATLAS）的新方法，该方法通过在多个商店和产品中构建单个张量因子分解模型来实现准确和个性化的销售预测。我们的贡献是：张量框架（利用商店和产品的信息），新的正则化函数（将需求动态纳入其中），以及使用最先进的统计（季节自回归综合移动平均模型）和机器学习（递归神经网络）模型将张量外推到未来时间段。ATLAS的优势在信息资源公司收集的八个产品类别数据集上得到了证明，其中分析了来自1，500多家杂货店的15，560种产品的总计1.65亿次每周销售交易。
2020-11-06 cs.IR cs.LG stat.ML
