面向资源受限零售店销售预测的LSTM神经网络优化：模型压缩研究
机器学习
2026-02-19 v1 人工智能
摘要
标准LSTM(长短期记忆)神经网络为零售行业提供准确的销售数据预测，但需要大量计算资源。对于中小型零售企业来说，这往往具有挑战性。本文考察了LSTM模型压缩，通过逐步减少隐藏单元数量从128减至16。我们采用Kaggle零售店商品需求预测数据集，该数据集包含来自10家商店、50种商品的91.3万条日销售记录，以考察模型规模与预测准确性之间的权衡。实验表明，将隐藏LSTM单元数量降低到64可维持相同的预测准确性，同时还能提高准确性。平均绝对百分比误差(MAPE)从128单元模型的23.6%降至64单元模型的12.4%。优化后的模型规模缩小73%(从280KB减至76KB)，准确性提高47%。这些结果表明，更大的模型并不一定能获得更好的效果。
引用
@article{arxiv.2601.00525,
title = {Optimizing LSTM Neural Networks for Resource-Constrained Retail Sales Forecasting: A Model Compression Study},
author = {Ravi Teja Pagidoju},
journal= {arXiv preprint arXiv:2601.00525},
year = {2026}
}
备注
Accepted to IEEE ICUIS 2025 (International Conference on Ubiquitous and Intelligent Systems). 5 pages, 3 figures, 1 table