利用时空图神经网络进行多门店销售预测
机器学习
2025-11-25 v1
摘要
本工作评估了时空图神经网络 (GNN) 在多门店零售销售预测中的有效性，并将其性能与 ARIMA、LSTM 和 XGBoost 基线方法进行比较。使用来自 45 家 Walmart 门店的周销售数据，我们构建了一个通过学习自适应图建模门店间依赖关系的关系预测框架。该方法通过残差路径预测对数差分销售并重构最终值，从而实现稳定的训练和 improved generalisation。实验表明，STGNN 在归一化总绝对误差、P90 MAPE 和跨门店 MAPE 方差中取得最低的整体预测误差，超越所有基线方法。在分析所学习邻接矩阵后，我们发现无需地理元数据即可从中发现有意义的功能门店聚类和高影响节点。这些结果表明，关系结构显著改善了相互关联零售环境中的预测质量，确立了 STGNN 在多门店需求预测中的稳健建模选择。
引用
@article{arxiv.2511.19267,
title = {Leveraging Spatiotemporal Graph Neural Networks for Multi-Store Sales Forecasting},
author = {Manish Singh and Arpita Dayama},
journal= {arXiv preprint arXiv:2511.19267},
year = {2025}
}
备注
6 pages, 4 figures, 1 table