标签
本文介绍了一种可扩展的方法，利用受限Logit建模在大规模商品集合中估计需求转移（DT）系数，从而改进商店品类优化中的需求预测。实验表明，当替代行为假设成立时，该方法能够准确估计DT系数。
该论文提出了一种预测-修正（PtC）框架，利用少样本连续上下文多臂老虎机自适应地修正零售需求预测中的基础机器学习预测，在误差指标和库存成本上相比基线实现了显著改进。
RouteCost 是一个多阶段框架，用于电子商务中的预购运费估算，结合了时间感知的需求预测、费用卡基准定价、残差修正和装箱整合推理。该方法在超过 250,000 个订单和 260 种产品上提高了预测质量，同时保持可解释性。
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。