零售销售预测的对比研究
机器学习
2022-03-15 v1 统计金融
应用统计
摘要
考虑到趋势、季节性、事件的易变性质以及市场竞争、客户偏好变化或诸如 COVID-19 爆发等不可预见事件等未知因素，预测大型零售公司的产品销售是一项具有挑战性的任务。本文中，我们在 Walmart 的历史销售数据上对预测模型进行基准测试以预测其未来销售。我们提供了最先进的时间序列预测模型的理论概述与综合分析。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，我们使用了一种传统模型，即 ARIMA（自回归积分滑动平均），以及近期开发的先进模型，例如 Facebook 开发的 Prophet 模型、Microsoft 开发的轻量梯度提升机（LightGBM）模型，并对其性能进行基准测试。结果表明，ARIMA 模型优于 Facebook Prophet 和 LightGBM 模型，而 LightGBM 模型在预测精度几乎无损失的情况下对大型数据集取得了巨大的计算增益。
引用
@article{arxiv.2203.06848,
title = {A Comparative Study on Forecasting of Retail Sales},
author = {Md Rashidul Hasan and Muntasir A Kabir and Rezoan A Shuvro and Pankaz Das},
journal= {arXiv preprint arXiv:2203.06848},
year = {2022}
}