基于百分比误差最小化的指数分解机及其在零售销售预测中的应用
机器学习
2020-09-23 v1 信息检索
机器学习
摘要
本文提出了一种针对长提前期但短产品生命周期的新产品销售预测新方法。这些SKU通常仅销售一个季节，且没有任何补货。我们开发了指数分解机（EFM）销售预测模型来解决此问题，该模型不仅考虑SKU属性，还考虑成对交互。EFM模型与原分解机（FM）在两个方面有显著不同：（1）针对解释变量的属性级公式化；（2）针对正响应变量的指数公式化。与传统的one-hot编码相比，属性级公式化排除了不可行的属性内交互，并实现了更高效的特征工程；而指数公式化被证明比对数变换对正值但非偏态分布的响应更有效。为了估计参数，我们通过所提出的自适应批量梯度下降方法在训练集上最小化百分比误差平方（PES）和误差平方（ES）。我们使用新加坡一家鞋类零售商提供的真实数据来测试所提出的方法。在平均绝对百分比误差（MAPE）和平均绝对误差（MAE）方面的预测性能不仅优于现成模型，也优于已有销售与需求预测研究报道的结果。所提方法的有效性也通过两个外部公共数据集得到证明。此外，我们证明了PES与ES最小化之间的理论关系，并给出了回归模型PES最小化的一项重要性质：它训练模型低估数据。该性质契合销售预测中单位持有成本远大于单位短缺成本的情形。
引用
@article{arxiv.2009.10619,
title = {An Exponential Factorization Machine with Percentage Error Minimization to Retail Sales Forecasting},
author = {Chongshou Li and Brenda Cheang and Zhixing Luo and Andrew Lim},
journal= {arXiv preprint arXiv:2009.10619},
year = {2020}
}
备注
Accepted by ACM Transactions on Knowledge Discovery from Data (ACM TKDD)