ARMDN：用于电商零售需求预测的关联与循环混合密度网络
机器学习
2018-03-19 v2 人工智能
机器学习
摘要
准确的需求预测可帮助在线零售组织更好地规划其供应链流程。然而，挑战在于大量关联因素导致需求出现巨大的非平稳偏移，传统时间序列与回归方法难以建模。在本文中，我们提出一种称为 AR-MDN 的神经网络架构，其同时建模关联因素、时间序列趋势以及需求中的方差。我们首先识别若干因果特征，并使用特征嵌入、MLP 与 LSTM 的组合来表示它们。随后我们将输出密度建模为学习得到的高斯分布混合。AR-MDN 可端到端训练，无需额外监督。我们在来自 Flipkart 的涵盖数万产品、时长一年的数据集上进行了实验。与现有替代方法相比，所提架构在预测精度上取得了显著提升。
引用
@article{arxiv.1803.03800,
title = {ARMDN: Associative and Recurrent Mixture Density Networks for eRetail Demand Forecasting},
author = {Srayanta Mukherjee and Devashish Shankar and Atin Ghosh and Nilam Tathawadekar and Pramod Kompalli and Sunita Sarawagi and Krishnendu Chaudhury},
journal= {arXiv preprint arXiv:1803.03800},
year = {2018}
}