标签
本文提出了一种训练时稳定性正则化罚项，可在不牺牲精度的情况下提高预测稳定性。在M5零售需求数据上进行的评估显示，该方法的预测稳定性得分有所提升，同时均方根误差(RMSE)保持在0.72%以内。
STAGformer提出了一个具有线性复杂度的时空智能体图变换器，用于共享单车需求预测，在纽约和芝加哥数据集上优于基线模型。
GNBAN是一种新的基于图的神经架构，用于长期零售需求预测，结合了异构图学习和可解释的基分解预测头，在Walmart和Favorita基准上实现了4-5%的改进。
本文提出了一种面向时尚电商销售活动的“先预测后优化”算法定价工具，利用梯度提升树进行日需求预测，并采用多目标优化。在12个市场的A/B测试中，该系统在保持销售额和收入不变的情况下实现了6%的利润提升，并已在Zalando部署。