面向亚马逊电商供应链的多任务时序融合变换器用于联合销售和库存预测
计算工程、金融与科学
2025-12-02 v1
摘要
高效的库存管理和准确的销售预测是大型电商平台（如亚马逊）的关键挑战，其中缺货和过量库存可能导致巨大的财务损失和运营效率低下。传统的单任务预测模型仅关注销售或库存，往往无法捕捉真实世界供应链动态中复杂的时序依赖关系和跨任务相互作用。为此，本研究提出一种面向亚马逊电商生态系统的多任务时序融合变换器（Multi-Task Temporal Fusion Transformer, TFT-MTL）框架，用于联合销售和库存预测。该模型通过统一的深度学习架构整合异构数据源，包括历史销售记录、仓库库存水平、价格、促销活动，以及类似假日和 Prime Day 活动等事件驱动因素。共享编码器捕捉长期时序模式，while task-specific 解码器头同时预测销售量、库存周转率和缺货概率。针对大规模真实数据集的实验表明，所提出的 TFT-MTL 模型显著优于包括 LSTM、GRU 和单任务 TFT 在内的基线方法。与单任务 TFT 模型相比，所提出的方法实现了 6.2% 的 Sales RMSE 降低、12.7% 的 Sales MAPE 下降、6.4% 的 Inventory RMSE 降低以及 12.4% 的 Inventory MAPE 降低。这些结果确认了该模型有效捕捉供应链变量之间多维依赖关系的能力。该框架提供了一个可解释、数据驱动的决策支持工具，用于优化亚马逊的库存调度和需求规划策略。
引用
@article{arxiv.2512.00370,
title = {Multi-Task Temporal Fusion Transformer for Joint Sales and Inventory Forecasting in Amazon E-Commerce Supply Chain},
author = {Zheqi Hu and Yiwen Hu and Hanwu Li},
journal= {arXiv preprint arXiv:2512.00370},
year = {2025}
}