EventCast：基于 LLM 事件知识的电商混合需求预测
人工智能
2026-02-12 v2 计算与语言
信息检索
多媒体
摘要
需求预测是电商运营的基石，直接影响库存规划与配送调度。但现有预测系统在闪电抢购、节假日活动及突发政策干预等高影响力时期往往难以应对，因为需求模式会突然且不可预测地变化。本文引入 EventCast，一个模块化的预测框架，将未来事件知识融入时间序列预测。不同于以往忽略未来干预或直接使用大语言模型（LLM）进行数值预测的方法，EventCast 仅利用 LLM 进行事件驱动推理。来自现有运营数据库的非结构化业务数据（涵盖活动、节假日安排及卖家激励等）由 LLM 处理，转化为利用世界知识捕捉文化细微差别和新颖事件组合的可解释文本摘要。这些摘要与历史需求特征在双塔架构中融合，实现准确、可解释且可扩展的预测。该方法已在覆盖 4 个国家 160 个区域、持续 10 个月的真实电商场景中部署，相较于无事件知识版本，事件驱动时期的 MAE 最高提升 86.9%，MSE 最高提升 97.7%；相较于最佳工业基线，MAE 最高降低 57.0%，MSE 最高降低 83.3%。自 2025 年 3 月起，EventCast 已部署至实际工业流水线，为动态电商环境下的运营决策提供了实用解决方案。
引用
@article{arxiv.2602.07695,
title = {EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge},
author = {Congcong Hu and Yuang Shi and Fan Huang and Yang Xiang and Zhou Ye and Ming Jin and Shiyu Wang},
journal= {arXiv preprint arXiv:2602.07695},
year = {2026}
}