深度学习模型优化：用于动态市场行为预测
机器学习
2025-11-25 v1
摘要
金融科技的兴起导致深度学习模型用于预测消费者行为的利用呈现出显著增长潮力，这一趋势在增强贷款策略和提升市场效率方面显示出巨大潜力。我们使用 UCI Online Retail II 数据集对电子商务交易进行多时段需求预测。不同于此前版本的稿件混合金融贷款叙事与零售数据，本文专注于零售市场行为，明确定义预测目标：为 H=1,7,14 的各时段预测每个 SKU 的日需求（或收入）。我们提出一种混合序列模型，将多尺度时间卷积、门控循环模块和时间感知自注意力机制组合。该模型使用标准回归损失训练，并在 MAE、RMSE、sMAPE、MASE 和 Theil's U_2 指标下评估，严格采用基于时间的划分以防止数据泄漏。我们将结果与 ARIMA/Prophet、LSTM/GRU、LightGBM 以及最先进的 Transformer 预测模型（TFT、Informer、Autoformer、N-BEATS）进行基准测试。结果显示在峰值/节假日期间表现出持续的准确性提升和更好的鲁棒性。我们进一步提供消融实验和统计显著性检验以确保改进的可靠性，并公开实现细节以促进可重复性。
引用
@article{arxiv.2511.19090,
title = {Optimization of Deep Learning Models for Dynamic Market Behavior Prediction},
author = {Shenghan Zhao and Yuzhen Lin and Ximeng Yang and Qiaochu Lu and Haozhong Xue and Gaozhe Jiang},
journal= {arXiv preprint arXiv:2511.19090},
year = {2025}
}