基于趋势与季节性分解及 LightGBM 的改进零售销售预测
机器学习
2023-09-06 v2 人工智能
摘要
由于产品种类繁多、地理位置异质性、季节性以及天气、地方经济状况和地缘政治事件等外部因素,零售销售预测对 Walmart 和 Amazon 等大型零售商而言是一项重大挑战。已有多种方法应对该挑战,包括传统时间序列模型、机器学习模型和神经网络机制,但困难依旧存在。研究表明,将数据分类为相关组别可提升销售预测精度,因为不同类别的时间序列可能呈现不同模式。本文提出一种新度量,用以指示趋势与季节性分量对时间序列的独特影响,并建议基于此度量对时间序列进行分组。我们将该方法应用于 2011/01/29 至 2016/05/22 的 Walmart 销售数据,并生成 2016/05/23 至 2016/06/19 的销售预测。实验表明,所提策略可取得更高精度。此外,我们给出了一个用于零售销售预测的稳健流程。
引用
@article{arxiv.2305.17201,
title = {Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM},
author = {Tong Zhou},
journal= {arXiv preprint arXiv:2305.17201},
year = {2023}
}