通过条件扩散模型进行新产品生命周期的冷启动预测
机器学习
2026-04-23 v1 机器学习
摘要
预测新推出产品的生命周期轨迹对于发布规划、资源分配和早期风险评估至关重要。在发布前和发布后早期阶段，当产品特定的结果历史有限或不可用时，这项任务尤其困难，从而产生了冷启动问题。在这些阶段，企业必须在需求模式变得可靠可观测之前做出决策，而早期信号通常是稀疏、嘈杂且不稳定的。我们提出了条件扩散生命周期预测器（CDLF），这是一个用于在冷启动下预测新产品生命周期轨迹的条件生成框架。CDLF 结合了三种信息源：静态描述符、来自相似产品的参考轨迹以及新到达的观测数据（当可用时）。这里，静态描述符指的是产品在发布前的结构化特征，如类别、价格层级、品牌或组织身份、规模和获取条件。这种结构使模型能够根据相关产品上下文进行条件预测，并随时间自适应地更新预测而无需重新训练，从而在极端数据稀缺的情况下产生灵活的多模态预测分布。该方法满足递归生成的水平均匀分布误差界的一致性。在英特尔微处理器库存单位（SKU）生命周期和开放大型语言模型仓库的平台中介采纳研究中，CDLF 提供了比经典扩散模型、贝叶斯更新方法和其他最先进的机器学习基线更准确的点预测和更高质量的概率预测。
引用
@article{arxiv.2604.20370,
title = {Cold-Start Forecasting of New Product Life-Cycles via Conditional Diffusion Models},
author = {Ruihan Zhou and Zishi Zhang and Jinhui Han and Yijie Peng and Xiaowei Zhang},
journal= {arXiv preprint arXiv:2604.20370},
year = {2026}
}