面向多店铺零售优化的云原生生成式AI自动化 planogram 合成：扩散模型方法
机器学习
2026-01-05 v1
摘要
planogram 制作是零售业的一个重大挑战，复杂布局平均需要 30 小时。本文引入基于云的架构，使用扩散模型自动生成面向特定门店的 planogram。不同于传统优化方法通过重新组织现有布局实现，本系统从多个零售地点的成功货架布局中学习，以创建新的 planogram 配置。该架构结合通过 AWS 进行的云端模型训练与边缘部署，以实现实时推理。扩散模型通过修改损失函数集成零售特定约束。仿真分析表明，该系统将 planogram 设计时间缩短 98.3%（从 30 小时缩减至 0.5 小时），同时实现 94.4% 的约束满足率。经济分析显示，创建成本降低 97.5%，且在 4.4 个月内收回成本。该云原生架构线性扩展，支持最多 10,000 个并发门店请求。本工作证明了生成式 AI 在自动化零售空间优化中的可行性。
引用
@article{arxiv.2601.00527,
title = {Cloud-Native Generative AI for Automated Planogram Synthesis: A Diffusion Model Approach for Multi-Store Retail Optimization},
author = {Ravi Teja Pagidoju and Shriya Agarwal},
journal= {arXiv preprint arXiv:2601.00527},
year = {2026}
}
备注
International Conference on Software Engineering and Data Engineering : Springer Nature