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
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
A Generalized Flow for B2B Sales Predictive Modeling: An Azure Machine Learning Approach
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
预测销售机会的结果是成功的企业管理的核心部分。传统上，做出这种预测主要依赖于销售决策过程中的主观人类评估。在本文中，我们通过在基于云的计算平台上提出一个全面的数据驱动的机器学习（ML）工作流来解决预测企业对企业（B2B）销售结果的问题：Microsoft Azure机器学习服务（Azure ML）。此工作流由两个管道组成：（1）ML管道，用于根据历史销售机会数据训练概率预测模型。在该管道中，数据通过广泛的特征增强步骤来丰富，然后用于并行训练ML分类模型的集合。(2)一个预测管道，利用训练的ML模型，推断赢得新销售机会的可能性，并计算最佳决策边界。建议的工作流程的有效性进行了评估的一个主要的全球B2B咨询公司的真实销售数据集。我们的研究结果表明，基于ML预测的决策更准确，并带来更高的货币价值。
2020-07-03 cs.LG stat.ML
Multi-class Vector AutoRegressive Models for Multi-store Sales Data
零售商使用向量自回归（VAR）模型作为标准工具来估计一个产品类别中的价格，促销和销售对另一个产品类别销售的影响。此外，这些价格，促销和销售数据不仅适用于一家商店，而是适用于整个连锁店。我们建议使用多类VAR模型来研究跨类别效应：我们联合估计几个不同但相关的VAR模型的跨类别效应，每个商店一个。我们的方法鼓励商店之间的效果是相似的，同时仍然允许商店之间的小差异来解释商店的异质性。此外，我们的估计是稀疏的：不重要的影响估计为零，这有利于解释的结果。仿真研究表明，所提出的多类估计提高了估计精度，通过借用跨类的力量。最后，我们提供了三个可视化工具，显示（一）相同的跨类别效应的商店集群，（二）产品类别的网络和（三）跨商店共享跨类别效应的相似性矩阵。
2016-05-11 stat.AP
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
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
Probabilistic forecasting of heterogeneous consumer transaction-sales time series
我们提出了新的贝叶斯方法的消费者销售预测。重点是多步提前预测的日常销售的许多超市项目，我们适应动态计数混合模型来预测个人客户的交易，并引入新的动态二进制级联模型来预测每笔交易的项目计数。这些交易-销售模型可以结合随时间变化的趋势、季节、价格、促销、随机效应和针对单个项目的其他特定于出口的预测因素。序贯贝叶斯分析涉及对解耦项集的快速、并行过滤，并且可跨可能表现出广泛变化的特征的项进行适应性调整。多尺度方法允许随着时间的推移在具有相关模式的项目之间共享信息，以提高预测，同时保持对许多项目的可伸缩性。一个激励性的案例研究，在多项目，多周期，多步提前超市销售预测提供的例子，证明提高预测精度在多个指标，并说明了预测精度评估和比较的全概率模型的好处。保留字：贝叶斯预测去耦/重新耦合;动态二元级联预报校正;间歇性需求;多尺度预测;预测罕见事件;每笔交易的销售额;超市销售预测
2018-08-20 stat.AP stat.ME
An Exponential Factorization Machine with Percentage Error Minimization to Retail Sales Forecasting
National University of Singapore（新加坡国立大学）；Red Jasper Holdings（红碧玉控股公司）；Nanjing University（南京大学）
针对交货期长、产品生存周期短的新产品，提出了一种新的销售预测方法。这些SKU通常只销售一个季节，没有任何折扣。针对这一问题，提出了一种指数因子分解机（EFM）销售预测模型。EFM模型与原始的因子分解机（FM）有两个方面的显著不同：（1）解释变量的属性水平公式和（2）积极响应变量的指数公式。属性级的形成排除不可行的属性内的相互作用，并导致更有效的功能工程相比，传统的一热编码，而指数公式被证明比对数变换的积极的，但不偏斜的分布响应更有效。为了估计参数，百分比误差平方（PES）和误差平方（ES）最小化的建议自适应批量梯度下降方法在训练集。真实世界的数据提供的鞋类零售商在新加坡用于测试所提出的方法。平均绝对百分比误差（MAPE）和平均绝对误差（MAE）方面的预测性能相比，不仅是现成的模型，而且现有的销售和需求预测研究报告的结果有利。两个外部公共数据集也证明了所提出方法的有效性。此外，我们证明了PES和ES最小化之间的理论关系，并提出了回归模型的PES最小化的一个重要性质，它训练模型低估数据。这一性质适用于单位持有成本远大于单位短缺成本的销售预测。
2020-09-22 cs.IR cs.LG stat.ML
Machine learning applications in time series hierarchical forecasting
Monash University（莫纳什大学）；University of Sydney（悉尼大学）
供应链中的许多情况下都需要层次预测，因为管理者通常需要对供应链不同层次的预测进行决策。自上而下（TD）、自下而上（BU）和最优组合（COM）是常见的HF模型。这些方法是静态的，往往忽视了动态的系列，而分解它们。因此，他们可能无法很好地执行，如果调查组的时间序列受到大的变化，如在促销期间。我们解决HF问题的预测现实世界的销售时间序列的高度影响的促销。我们使用三种机器学习（ML）模型来捕捉销售随时间的变化。人工神经网络（ANN），极端梯度提升（XGboost），和支持向量回归（SVR）算法被用来估计低级别的时间序列从上层的比例。我们对61组具有不同波动率的时间序列进行了深入分析，结果表明ML模型具有竞争力，并且优于文献中一些成熟的模型。
2019-12-01 cs.LG stat.ML
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
Modeling Treatment Delays for Patients using Feature Label Pairs in a Time Series
IQVIA（艾昆纬）；University of Pennsylvania（宾夕法尼亚大学）
药品目标是制定销售和营销战略规划的关键投入之一。目标列表是建立在预测医生的销售潜力的某种类型的病人。在本文中，我们提出了一个时间敏感的靶向框架，利用时间序列模型来预测患者的疾病和治疗进展。我们通过提取一定时间段内的服务历史来创建时间特征，并记录事件是否发生在一个前瞻期内。跨所有时间段和所有患者检查这样的特征-标签对以训练模型。它保持服务的固有顺序，并评估与即将到来的未来相关的功能，这有助于提高准确性。
2018-12-03 cs.LG stat.ML
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
AttnBoost: Retail Supply Chain Sales Insights via Gradient Boosting Perspective
Nanyang Technological University（南洋理工大学）；Washington State University（华盛顿州立大学）；Southern Methodist University（南方 Methodist 大学）；Georgetown University（乔治城大学）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）；China Construction Bank（中国建设银行）
AttnBoost通过引入特征层面的注意力机制，提升零售供应链销售预测的准确性与可解释性，为供应链管理提供实用洞察。
2026-03-05 cs.CE 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
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
Leveraging Spatiotemporal Graph Neural Networks for Multi-Store Sales Forecasting
Department of Chemical Engineering, IIT Bombay（印度博亚理工大学化学工程系）；Rajiv Gandhi University（拉吉夫·甘地大学）；Tsinghua University（清华大学）；Palmer Research Laboratories（帕勒尔研究实验室）
本文提出STGNN模型，通过学习自适应图结构提升多门店销售预测精度，优于传统基线方法。
2025-11-24 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
M5 Competition Uncertainty: Overdispersion, distributional forecasting, GAMLSS and beyond
University of Duisburg-Essen（杜伊斯堡-埃森大学）
M5竞争不确定性跟踪旨在对数千种沃尔玛零售商品的销售进行概率预测。我们发现，M5竞争数据面临着强烈的过度分散和零星的需求，特别是零需求。我们讨论了由此产生的建模问题，充分的概率预测，这样的计数数据过程。不幸的是，M5竞赛中使用的大多数流行预测方法（例如lightgbm和xgboost GBM）由于考虑的目标函数而无法解决数据特征。分布式预测为克服这些问题提供了一种合适的建模方法。GAMLSS框架允许使用低维分布进行灵活的概率预测。我们举例说明，如何的GAMLSS方法可以应用于M5竞争数据建模的位置和尺度参数的各种分布，例如，负二项分布。最后，我们讨论了用于分布式建模的软件包及其缺点，如R包gamlss及其包扩展，以及（深度）分布式预测库，如TensorFlow Probability。
2021-11-10 cs.AI cs.LG stat.AP
Product age based demand forecast model for fashion retail
TCS Research（TCS研究）
时装零售商需要提前近一年对下一季进行准确的需求预测，以便进行需求管理和供应链规划。准确的预测对于确保零售商的盈利能力和减少处理未售出库存造成的环境破坏非常重要。这是具有挑战性的，因为大多数产品是新的，在一个季节，并有很短的生存周期，巨大的销售变化和较长的交货期。在本文中，我们提出了一种新的产品年龄为基础的预测模型，其中产品年龄是指自推出的周数，并表明它优于现有的模型。我们通过一家拥有300多家商店、35 k件商品和大约40个类别的跨国时装零售商的真实用例展示了该方法的强大性能。这项工作的主要贡献包括产品属性值的独特和重要的特征工程，提前6-12个月的准确需求预测，并扩展我们的方法来推荐下一季的产品发布时间。我们使用我们的时装分类优化模型来产生下一季将在商店中列出的物品的列表和数量，以最大化总收入并满足业务约束。我们发现，与零售商的计划相比，我们的框架收入提高了41%。我们还比较了我们的预测结果与现有的方法，并表明它优于现有的模型。我们的框架导致更好的订购，库存规划，分类规划和整体增加利润的零售商的供应链。
2020-07-10 cs.LG stat.ML
Learning Consumer Preferences from Bundle Sales Data
University of Toronto（多伦多大学）；McGill University（麦吉尔大学）；Zhejiang University（浙江大学）
提出一种从捆绑销售交易数据中估计消费者对单个产品估值分布的方法，通过定义效用模型并使用EM算法和蒙特卡洛模拟恢复估值分布，扩展至未观测无购买、市场细分和协同效应，并提供可识别性和收敛性理论保证。
2026-07-03 cs.LG stat.ME stat.ML
Predicting seasonal influenza using supermarket retail records
University of Pisa（比萨大学）；ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）；Northeastern University（东北大学）
流行病学数据的可用性增加，新型数字数据流以及强大的机器学习方法的兴起，引发了对实时流行病预测系统的研究活动激增。在本文中，我们建议使用一种新的数据源，即零售市场数据，以改善季节性流感的预测。具体来说，我们认为超市零售数据作为流感的代理信号，通过识别哨兵篮子，即，由一群经过挑选的顾客一起购买的产品。我们开发了一个即时预报和预测框架，为意大利未来4周的流感发病率提供估计。我们利用支持向量回归（SVR）模型来预测季节性流感的发病率。我们的预测优于基线自回归模型和基于产品购买的第二基线。研究结果从数量上显示了将零售市场数据纳入预测模型的价值，作为可用于流行病实时分析的代理。
2020-12-17 cs.AI cs.LG cs.SI
Causal inference and model explainability analysis of a real world sales dataset
本文提出了一种在零售业中应用模型可解释性和因果推断的方法，以提高销售洞察的准确性。
2026-10-20 cs.LG
Retail Demand Forecasting: A Comparative Study for Multivariate Time Series
Institute of Electrical and Electronics Engineers（电气和电子工程师协会）；University of Tennessee Chattanooga（田纳西大学查塔努加分校）；University of South Dakota（南达科他大学）
针对现有零售需求预测多忽略宏观经济因素的问题，本研究引入CPI、ICS、失业率等变量构建多变量数据集，对比多种回归与机器学习模型以提升预测精度。
2023-08-23 cs.AI cs.LG q-fin.ST
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
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
Discovering and Analyzing Stochastic Processes to Reduce Waste in Food Retail
School of Computer and Mathematical Sciences, The University of Adelaide, Australia（澳大利亚阿德莱德大学计算机与数学科学学院）；Information Systems Research, Albert-Ludwigs-University of Freiburg, Germany（德国弗赖堡阿尔伯特-路易斯大学信息系统研究所）
本文提出结合面向对象流程挖掘与随机过程发现的方法，从销售数据构建连续时间马尔可夫链并扩展供应活动，通过假设分析优化购买与供应平衡，以减少食品浪费和短缺。
2025-08-16 cs.LG math.PR stat.AP
Beyond Churn: Predicting Financial Fragmentation in Retail Banking with Temporal Machine Learning
Royal Bank of Canada（加拿大皇家银行）
本研究提出四阶段XGBoost级联时序机器学习系统，基于零售银行多源数据预测客户90天内的金融碎片化（资金向外部转移），取得多项高精度指标，为客户留存决策提供实用支撑。
2026-09-01 cs.LG
Machine Learning Software Engineering in Practice: An Industrial Case Study
Polytechnique Montreal（蒙特利尔综合理工学院）；SAP Canada Inc（SAP加拿大公司）
SAP是企业软件的市场领导者，提供端到端的应用程序和服务套件，使其全球客户能够运营业务。特别是，SAP的零售客户处理数百万的销售交易，为他们的日常业务。交易在零售期间在销售点（POS）终端创建，然后发送到一些中央服务器进行验证和其他业务操作。由于许多技术和人为错误，相当大比例的零售交易可能存在不一致性。SAP提供了一个自动化的错误检测过程，但仍然需要专门的员工使用工作台软件进行纠正的手动过程。然而，这些错误的手动校正是耗时的、劳动密集型的，并且可能由于不正确的修改而导致进一步的错误。这不仅对客户的业务工作流程造成性能开销，而且还带来了高昂的运营成本。因此，自动检测和纠正交易错误对于其潜在的商业价值和业务流程的改进非常重要。在本文中，我们提出了一个工业案例研究，我们应用机器学习（ML）来自动检测交易错误并提出纠正建议。我们从三个不同的角度：软件工程、机器学习和产学合作，确定并讨论了我们在这个合作研发项目中面临的挑战。我们报告了我们从项目中获得的经验和见解，以及针对已确定挑战的指导方针。我们相信，我们的研究结果和建议可以帮助研究人员和从业人员进行类似的努力。
2019-06-17 cs.LG cs.SE
ProVe -- Self-supervised pipeline for automated product replacement and cold-starting based on neural language models
在零售垂直行业中，企业正在处理快速理解和适应新购买行为的人类限制。此外，零售企业需要克服人类的局限性，正确管理大量的产品/品牌/类别。这些限制导致商业（例如销售损失、客户满意度下降）和运营（例如缺货、库存过多）方面的缺陷。在本文中，我们提出了一个管道的方法，基于自然语言理解，推荐最合适的替代品的产品是缺货。此外，我们将提出一个解决方案，用于管理零售商的投资组合中新引入的几乎没有交易历史的产品。该解决方案将帮助企业：自动将新产品分配到正确的类别;从第一天开始推荐互补产品进行交叉销售;即使几乎没有交易历史，也可以进行销售预测。最后，通过应用本文提出的管道产生的向量空间模型直接用作基于深度学习的需求预测解决方案中的语义信息，从而实现更准确的预测。整个研究和实验过程都是使用真实的私人交易数据完成的，但是源代码可以在www.example.com上获得。
2021-01-12 cs.CL cs.LG
Modelling customer churn for the retail industry in a deep learning based sequential framework
University of Essex（埃塞克斯大学）；Profusion Media Ltd.（Profusion传媒有限公司）；Essex Business School（埃塞克斯商学院）；Friedrich-Alexander University Erlangen-Nuremberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
提出基于循环神经网络的深度生存框架，仅依赖个体客户行为预测非合同零售环境下的客户流失，避免了耗时特征工程。
2023-04-02 cs.LG stat.AP stat.ML
A machine learning based heuristic to predict the efficacy of online sale
The Bhawanipur Education Society College（巴瓦尼布尔教育协会学院）；Indian Statistical Institute（印度统计研究所）
很难仅仅从商品的折扣来判断网上销售的有效性。不同的特征对产品的价格有不同的影响，在确定折扣的重要性时必须加以考虑。在本文中，我们提出了一个机器学习为基础的启发式量化的\textit{"significance"}的折扣提供任何商品。我们所提出的技术可以量化的基础上的功能和原始价格的折扣的意义，因此可以指导买家在销售季节通过预测销售的功效。我们已经使用支持向量机在Flipkart夏季销售数据集上应用了这种技术，该数据集预测销售的有效性，准确率为91.11%。我们的研究结果表明，很少有手机在Flipkart夏季销售期间有显着折扣。
2020-05-10 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
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
Predict Future Sales using Ensembled Random Forests
Peking University（北京大学）
这是Kaggle数据竞赛“预测未来销售”的方法报告。本文提出了一种基于特征工程、随机森林回归和集成学习的预测未来销售额的方法。其性能超过了许多传统的方法，并得到最终得分0.88186，代表均方根误差。在撰写本文时，我们的模型在排行榜上排名第五。(till 2018年5月8日）
2019-04-17 cs.LG
Predicting Customer Call Intent by Analyzing Phone Call Transcripts based on CNN for Multi-Class Classification
Marchex Inc（Marchex公司）
汽车经销商每天都会接到数千个对销售、服务、供应商和求职者感兴趣的客户打来的电话。有了这么多的电话，这是非常重要的汽车经销商了解这些电话的意图，以提供积极的客户体验，确保客户满意度，深入的客户参与，以提高销售和收入，并在整个业务的代理或客户服务代表的最佳分配.在本文中，我们定义的问题，客户的电话通话意图作为一个多类分类问题，从大型数据库中记录的电话通话记录。为了解决这个问题，我们开发了一个基于卷积神经网络（CNN）的监督学习模型，将客户呼叫分为四个意图类别：销售，服务，供应商和求职者。实验结果表明，基于CNN的预测模型能够提供足够的训练数据，在F1-Score、查准率、查全率和查准率等量化指标上，对长文本分类有很好的效果。
2019-07-08 cs.CL cs.LG stat.ML
Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural Network
预测未来消费者行为是大型零售企业面临的最具挑战性的问题之一。对消费者购买模式的准确预测可以更好地进行库存规划和有效的个性化营销策略。最佳的库存规划有助于最大限度地减少缺货/库存过剩的情况，智能个性化的营销策略确保顺利和愉快的购物体验。消费者购买预测问题通常由ML研究人员以传统方式解决，无论是通过推荐系统还是传统的ML方法。这种建模方法在预测消费者购买模式方面并不能很好地推广。在本文中，我们提出了我们的消费者购买行为的研究，其中，我们建立了一个数据驱动的框架来预测消费者是否会购买一个项目在一定的时间范围内使用电子商务零售数据。为了对这种关系进行建模，我们为所有相关的消费者-商品组合创建了一个连续的时间序列数据。然后，我们通过在消费者、物品和时间的交叉点生成特征来构建广义非线性模型。我们通过实验不同的神经网络架构，ML模型及其组合来展示强大的性能。我们提出了60个不同超参数的建模实验的结果，以及Stacked Generalization合奏和F1-Maximization框架。然后，我们展示了多层感知器、长短期记忆（LSTM）、时间卷积网络（TCN）和TCN-LSTM等神经网络架构相对于Xgboost和RandomForest等ML模型带来的好处。
2020-10-14 cs.IR cs.LG
Modelling Customer Trajectories with Reinforcement Learning for Practical Retail Insights
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（魁北克人工智能研究所）
本文提出了一种基于智能体的建模框架，将客户轨迹预测转化为最大熵强化学习问题，以更准确地反映具有有限理性的客户行为，从而提供更精确的冲动购买率和货架交通密度估计。
2026-05-18 cs.AI cs.LG
Optimization Beyond Prediction: Prescriptive Price Optimization
NEC Corporation（日本电气股份有限公司）
本文讨论了一个新的数据科学问题，即规定性价格优化，它基于机器学习产生的大量预测公式推导出最优价格策略，以最大化未来利润/收入。规定性价格优化首先根据历史数据建立多个产品的销售预测公式，揭示销售与价格之间的复杂关系，如需求的价格弹性和蚕食。然后，在这些预测公式的基础上构造一个数学最优化问题。我们提出的最优化问题可以制定为一个实例的二进制二次规划（BQP）。虽然BQP问题是NP难的一般和计算上棘手的，我们提出了一个快速近似算法使用半定规划（SDP）松弛，这是密切相关的Goemans-Williamson的最大割近似。我们在模拟和真实零售数据集上的实验表明，我们的规定性价格优化在实际计算时间内同时得出数十/数百种产品的最优价格，可能提高这些产品的毛利润8.2%。
2016-05-24 cs.LG math.OC stat.ML
Generalization of Machine Learning for Problem Reduction: A Case Study on Travelling Salesman Problems
RMIT University（皇家墨尔本理工大学）；Monash University（蒙纳士大学）
组合优化在实际问题求解中起着重要的作用。在大数据时代，组合优化问题的维数通常非常大，这对现有的求解方法提出了重大挑战。在本文中，我们研究的推广能力的机器学习模型的问题约简的经典旅行商问题（TSP）。我们证明，我们的方法可以greenly删除决策变量的优化问题，预测不是最优解的一部分。更具体地说，我们研究了模型在训练阶段没有看到的测试实例上进行泛化的能力。我们考虑三种情况，其中训练和测试实例在以下方面不同：1）问题特征; 2）问题大小; 3）问题类型。我们的实验表明，这种基于机器学习的技术可以推广到广泛的TSP测试实例具有不同的特性或大小。虽然预测未使用变量的准确性会随着测试实例远离训练集而自然恶化，但我们观察到，即使在不同的TSP问题变体上进行测试，机器学习模型仍然可以对哪些变量可以被消除而不会显着影响解决方案质量进行有用的预测。
2020-09-08 cs.LG stat.ML
Predicting housing prices and analyzing real estate market in the Chicago suburbs using Machine Learning
Neuqua Valley High School（纽卡谷高中）；University of Connecticut（康涅狄格大学）
住房物业的定价由多种因素决定。然而，疫情后芝加哥郊区的市场出现波动，对房价造成很大影响。在这项研究中，对Naperville/Bolingbrook房地产市场进行了分析，通过机器学习模型根据这些住房属性预测房地产价格，并评估这些模型在波动的市场空间中的有效性。从房地产网站Redfin收集数据，从2018年到2022年夏季的销售数据被收集用于研究。通过分析这段时间内的销售情况，我们还可以了解房地产市场的状况，并确定价格趋势。为了对数据建模，使用的模型是线性回归、支持向量回归、决策树回归、随机森林回归和XGBoost回归。为了分析结果，对每个模型的MAE、RMSE和R平方值进行了比较。研究发现，尽管疫情后的情况造成了额外的波动，但XGBoost模型在预测房价方面表现最好。建模后，Shapley值（SHAP）用于评估构建模型时变量的权重。
2022-10-12 cs.LG
Close the Gaps: A Learning-while-Doing Algorithm for a Class of Single-Product Revenue Management Problems
University of Minnesota（明尼苏达大学）；Stanford University（斯坦福大学）；Huazhong University of Science and Technology（华中科技大学）
我们考虑零售商在有限的销售季节销售单一产品，有限的库存。顾客需求的到达是一个泊松过程，其速率受零售商采取的单一行动（如价格调整、销售佣金、广告强度等）的影响。行动和需求率之间的关系是事先不知道的。然而，零售商是能够学习的最佳行动“的飞行”，因为她最大化她的总预期收入的基础上观察到的需求反应。以定价问题为例，我们提出了一个动态的“边做边学”算法，只涉及函数值估计，以实现接近最优的性能。我们的算法采用了一系列收缩的价格区间，并使用一组精心选择的参数在该区间内迭代测试价格。我们证明了我们的算法的收敛速度是所有可能的算法中最快的渐近“遗憾”（相对损失相比，充分的信息最优解）。我们的研究结果关闭参数和非参数学习之间的性能差距，后价格机制和客户投标机制。重要的管理洞察力，从这项研究是，信息的参数形式的需求函数，以及每个客户的确切保留价格的价值是不那么重要，比以前的文献表明。我们的研究结果还表明，企业将更好地执行动态学习和行动同时进行，而不是顺序。
2013-06-27 cs.LG
A Data-Driven Predictive Framework for Inventory Optimization Using Context-Augmented Machine Learning Models
Chicago State University（芝加哥州立大学）
本研究提出基于上下文增强机器学习模型的数据驱动预测框架，通过整合外部因素提升库存优化效率，XGBoost在预测精度上表现最优。
2026-01-08 cs.LG
Text Classification for Predicting Multi-level Product Categories
Ryerson University（瑞尔森大学）；Getir Perakende Lojistik A.S.（Getir零售物流公司）
在网上购物平台中，产品的详细分类便于用户导航。它还可以帮助在线零售商跟踪特定行业的价格波动或特定产品类别的特别折扣。此外，自动分类系统可有助于查明操作员建议的不正确或主观类别。在本研究中，我们专注于杂货产品的产品名称分类。我们对六种不同的文本分类模型进行了全面的比较，为这项任务建立了一个强大的基线，这涉及到测试传统和最近的机器学习方法。在我们的实验中，我们研究了训练模型对其他在线零售商产品的可推广性，对预训练语言模型的不可行子类别的动态掩蔽，以及将产品标题纳入多种语言的好处。我们的数值结果表明，动态掩蔽的子类别是有效的，在提高预测精度。此外，我们观察到使用双语产品标题通常是有益的，基于神经网络的模型的性能明显优于SVM和XGBoost模型。最后，我们调查了错误分类产品的原因，并提出了未来的研究方向，以进一步提高预测模型。
2021-09-02 cs.CL cs.IR cs.LG
Designing an Efficient End-to-end Machine Learning Pipeline for Real-time Empty-shelf Detection
Target Corporation（塔吉特公司）
零售商店中产品的货架可用性（OSA）是快速消费品和零售行业的关键业务标准。当一个产品脱销（OOS），客户无法找到它在其设计的货架上，这促使客户转换商店或什么也不买，这导致未来的销售和需求下降。零售商正在采用几种方法来检测空货架并确保产品的高OSA;然而，这些方法通常是无效的和不可行的，因为它们是手动的、昂贵的或不太准确的。近年来，基于机器学习的解决方案已被提出，但它们遭受高计算成本和低精度的问题，由于缺乏大的标注数据集的货架上的产品。在这里，我们提出了一种优雅的方法来设计一个端到端的机器学习（ML）管道，用于实时的【形】空货架检测。考虑到ML模型的质量和数据质量之间的强烈依赖性，我们重点关注在深入建模之前正确的数据汇集，清理和正确的数据注释的重要性。由于空货架检测解决方案对于实时的【形】预测应该是计算高效的，因此我们探索不同的运行时优化以提高模型性能。我们的数据集包含1000张图像，按照定义明确的准则收集和注释。我们的低延迟模型实现了68.5%的平均F1分数，并且在Intel Xeon Gold上可以处理高达67张图像/秒，在A100 GPU上可以处理高达860张图像/秒。
2022-05-28 cs.CV cs.LG
Personalized Product Assortment with Real-time 3D Perception and Bayesian Payoff Estimation
Brigham Young University（杨百翰大学）；Delicious AI
本文提出 EdgeRec3D 实时选品系统，融合边缘3D感知、贝叶斯收益建模、空间聚类与图候选生成，在真实门店A/B测试和长期观察中显著提升饮料销售。
2024-06-13 cs.DB 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
Probabilistic Outlier Detection and Generation
Qatar Computing Research Institute（卡塔尔计算研究所）；Walmart Labs（沃尔玛实验室）
通过将数据提升到概率分布的空间中，引入了一种新的离群值检测和生成方法，该概率分布不可解析表达，但可以使用神经生成器从中提取样本。给定未知潜在内点和离群点分布的混合，使用Wasserstein双自动编码器来检测和生成内点和离群点。所提出的方法，命名为WALDO（Wasserstein Autoencoder for Learning the Distribution of Outliers），在经典数据集上进行了评估，包括MNIST，CIFAR10和KDD99的检测精度和鲁棒性。我们给出了一个真实的零售销售数据集上的离群值检测的例子和一个模拟入侵攻击的离群值生成的例子。然而，我们预见到WALDO可以使用的许多应用场景。据我们所知，这是第一个研究离群值检测和生成一起工作。
2020-12-22 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
Risks of Using Non-verified Open Data: A case study on using Machine Learning techniques for predicting Pregnancy Outcomes in India
Microsoft（微软）
人工智能（AI）在过去的几年里有了很大的发展。虽然人工智能在零售和营销等领域的应用越来越普遍，但人工智能在解决发展中国家相关问题方面的应用仍然是一个新兴话题。特别是，在资源匮乏的环境中，人工智能应用仍然相对较新。在这样的环境中使用AI的范围很大。例如，研究人员已经开始探索人工智能应用，以减少贫困并提供广泛的关键公共服务。然而，尽管有许多有前途的用例，但在这些项目中必须克服许多与数据集相关的挑战。这些挑战通常表现为数据缺失、数据收集不正确和变量标签不正确等。因此，我们经常使用的数据并不能代表我们试图解决的问题。在本案例研究中，我们探讨了使用来自印度的开放数据集来预测重要健康结果的挑战。我们强调，在没有正确理解报告指标的情况下使用人工智能可能会导致错误的结论。
2019-10-21 cs.AI cs.LG stat.ML
A Simple Baseline for Predicting Events with Auto-Regressive Tabular Transformers
University of Maryland（马里兰大学）；Capital One（第一资本金融公司）；Columbia University（哥伦比亚大学）
针对现有事件预测方法成本高、依赖特定场景等问题，提出基于标准自回归LLM风格Transformer的简单灵活基线，在主流数据集上性能更优，可用于多类表格数据任务。
2024-10-31 cs.CE cs.LG stat.ML
Predicting e-commerce customer conversion from minimal temporal patterns on symbolized clickstream trajectories
Tooso Labs（Tooso实验室）；Queen Mary University（伦敦玛丽女王大学）
仅基于点击流数据就知道用户是买家还是橱窗购物者，对于寻求实施实时准确NBA（下一个最佳行动）策略的电子商业平台至关重要。然而，由于转换事件的低频率和浏览数据的噪声，分类用户会话是非常具有挑战性的。在本文中，我们解决了电子商务行业中的点击流分类问题，并为新兴的AI零售领域做出了三大贡献：首先，我们从欧洲一家主要的电子商业网站收集、规范化并准备了一个新的实时购物会话数据集;其次，我们使用该数据集在受控环境中测试了文献中的强基线和SOTA模型;最后，我们提出了一个新的判别神经模型，它的性能优于乐天实验室最近提出的神经结构。
2020-03-14 cs.AI 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
Adaptation and Fine-tuning with TabPFN for Travelling Salesman Problem
Simon Fraser University（西蒙弗雷泽大学）
本文首次将TabPFN适配微调后用于求解旅行商问题，采用基于节点的节点预测策略构建路径，实验证实其训练量小、泛化性好、训练耗时短，解质量优异，为资源受限下的组合优化问题求解提供了新方案。
2025-11-08 cs.AI cs.LG math.CO
