F-FOMAML：基于 GNN 增强的元学习方法用于带代理数据的峰值需求预测
机器学习
2024-06-25 v1 人工智能
图形学
计量经济学
统计方法学
摘要
需求预测是电子商务和实体零售企业在高风险促销活动中至关重要的任务，但这些峰值时段的历史数据稀缺，构成传统预测方法的主要挑战。本文提出一种新方法，利用从类似实体在非峰值时段获取的战略性选择的代理数据（反映潜在销售模式），并通过基于图神经网络 (GNN) 的预测模型学习到的特征，来预测峰值事件期间的需求。我们将需求预测建模为元学习问题，开发了基于特征的首次阶模型中立元学习算法 (F-FOMAML)，该算法利用来自非峰值时段的代理数据和 GNN 生成的关系元数据来学习特征特定的层参数，从而适应峰值事件的需求预测。理论上，通过考虑任务特定的元数据中的领域相似性，我们的模型实现了更好的泛化，其中多余风险随训练任务数量的增加而降低。在大规模工业数据集上的实证评估表明，我们的方法优于现有最先进模型。与现有 SOTA 模型相比，我们的方法在内部 vending machine 数据集上将平均绝对误差降低 26.24%，在公开的 JD.com 数据集上降低 1.04%。
引用
@article{arxiv.2406.16221,
title = {F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data},
author = {Zexing Xu and Linjun Zhang and Sitan Yang and Rasoul Etesami and Hanghang Tong and Huan Zhang and Jiawei Han},
journal= {arXiv preprint arXiv:2406.16221},
year = {2024}
}