PREIG：面向商品需求预测的物理驱动与强化学习可解释 GRU
机器学习
2025-07-30 v1
摘要
准确预测商品需求仍是由于市场波动、非线性依赖关系以及需要经济一致性预测而面临的关键挑战。本文引入 PREIG，一种专为商品需求预测设计的新型深度学习框架。该模型独特地将 Gated Recurrent Unit (GRU) 架构与物理驱动神经网络 (PINN) 原理相结合，通过嵌入特定于领域的经济约束：价格与需求之间的负弹性。该约束通过定制损失函数强制执行，以确保模型预测在解释性和与经济理论一致性方面保持良好。为了进一步提升预测性能和稳定性，PREIG 采用将 NAdam 与 L-BFGS 结合的混合优化策略，以及基于人口的训练 (POP)。跨多个商品数据集的实验表明，PREIG 在 RMSE 和 MAPE 等指标上显著优于传统计量经济模型 (ARIMA、GARCH) 和深度学习基线 (BPNN、RNN)，并在与 GRU 相比时保持良好的可解释性。通过将领域知识、优化理论与深度学习相结合，PREIG 为高维非线性时间序列预测提供了稳健、可解释且可扩展的解决方案。
引用
@article{arxiv.2507.21710,
title = {PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting},
author = {Hongwei Ma and Junbin Gao and Minh-Ngoc Tran},
journal= {arXiv preprint arXiv:2507.21710},
year = {2025}
}