基于图神经网络的概率性需求预测
机器学习
2024-01-25 v1 机器学习
摘要
需求预测是一个重要的商业用例，使零售商能够优化库存规划、物流和核心业务决策。需求预测的关键挑战之一是考虑商品之间的关系和相互作用。大多数现代预测方法提供独立的商品级预测，并未考虑相关商品的影响。近期研究尝试使用图神经网络（GNNs）来解决这一挑战，并显示出有希望的结果。本文基于先前对GNN的研究，做出了两项贡献。首先，我们将一个GNN编码器集成到一个最先进的DeepAR模型中。该组合模型生成概率性预测，这对于不确定性下的决策至关重要。其次，我们提出利用商品属性相似性来构建图，这避免了对预定义图结构的依赖。在三个真实世界数据集上的实验表明，所提出的方法始终优于非图基准。我们还表明，我们的方法产生的商品嵌入编码了商品相似性和需求动态，对预测之外的其他下游商业任务也很有用。
引用
@article{arxiv.2401.13096,
title = {Probabilistic Demand Forecasting with Graph Neural Networks},
author = {Nikita Kozodoi and Elizaveta Zinovyeva and Simon Valentin and João Pereira and Rodrigo Agundez},
journal= {arXiv preprint arXiv:2401.13096},
year = {2024}
}
备注
Preprint of the paper accepted to ECML PKDD 2023 ML4ITS Workshop