一种基于网络的迁移学习方法以改进新产品销售预测
机器学习
2020-05-15 v1 机器学习
摘要
数据驱动方法——如机器学习和时间序列预测——在食品零售领域的销售预测中被广泛使用。然而，对于新引入的产品，可用训练数据不足，无法训练精确模型。此时，采用人类专家系统以提升预测性能。人类专家依赖其隐性与显性领域知识，并将相似产品历史销售的知识迁移以预测新产品销售。通过应用迁移学习概念，我们提出一种分析方法，在上市库存产品与新产品之间迁移知识。设计了一种面向深度神经网络、基于网络的迁移学习方法，以探究迁移学习在食品销售预测领域的效率。此外，我们考察了知识如何跨不同产品共享，以及如何识别最适合迁移的产品。为测试所提方法，我们基于一家奥地利食品零售公司的数据，针对新引入产品开展了综合案例研究。实验结果表明，使用所提方法可有效提升深度神经网络在食品销售预测中的预测精度。
引用
@article{arxiv.2005.06978,
title = {A network-based transfer learning approach to improve sales forecasting of new products},
author = {Tristan Karb and Niklas Kühl and Robin Hirt and Varvara Glivici-Cotruta},
journal= {arXiv preprint arXiv:2005.06978},
year = {2020}
}
备注
28th European Conference on Information Systems (ECIS 2020)