多分辨率分词用于时间序列预测及其定价应用
机器学习
2025-04-22 v2 人工智能
摘要
我们提出一种基于Transformer的时间序列预测模型，侧重于时间序列分词，并将其应用于定价领域的实际预测问题。我们的模型旨在同时学习跨所有可用数据的多个尺度上的有效表示。该模型包含多个新模块：一种采用多分辨率的时间序列分块方式，一种用于处理时间可变已知变量的多分辨率模块，用于捕获跨序列信息的混合器模块，以及一个具有良好扩展性的输出头，以考虑标记数量的增加。我们将该模型应用于大型零售商 markdown 团队面临的实际预测问题。在实验中，我们的模型在对比现有深度学习架构和内部模型时表现优异。
关键词
引用
@article{arxiv.2407.03185,
title = {Multiple-Resolution Tokenization for Time Series Forecasting with an Application to Pricing},
author = {Egon Peršak and Miguel F. Anjos and Sebastian Lautz and Aleksandar Kolev},
journal= {arXiv preprint arXiv:2407.03185},
year = {2025}
}