面向零售销售预测的现代机器学习模型比较分析
机器学习
2026-03-12 v2 人工智能
摘要
精准的需求预测对于实体零售商优化库存管理和最小化成本至关重要。本研究评估了统计基线方法、基于树的集成方法（XGBoost 和 LightGBM）以及深度学习架构（N-BEATS、N-HiTS 和 Temporal Fusion Transformer）在销售数据上的表现，这些数据特征为间歇性需求、大量缺失值以及频繁产品更换。我们采用四种配置（即不同聚合层级和插补策略）进行模型比较，使用反映每种模型类别典型部署模式的评估协议。局部化基于树的方法实现了最佳性能，XGBoost 达到了最低的RMSE为4.833。虽然基于 SAITS 的插补在聚合设置下改善了神经网络性能，但这些模型仍不及集成方法。结果表明，在所研究的约束条件下，模型选择应优先考虑与问题特性的匹配，而非架构的复杂程度。
引用
@article{arxiv.2506.05941,
title = {Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting},
author = {Luka Hobor and Mario Brcic and Lidija Polutnik and Ante Kapetanovic},
journal= {arXiv preprint arXiv:2506.05941},
year = {2026}
}
备注
12 total pages, 12 pages article