$\spadesuit$ SPADE $\spadesuit$ 拆分峰值注意力分解
机器学习
2025-01-22 v2 机器学习
摘要
需求预测面临由峰值事件（PEs）带来的挑战，这些事件对应促销和假期等特殊时期。峰值事件导致需求出现显著峰值，随后是需求回落期。像MQCNN和MQT这样的神经网络对需求峰值反应过度，将升高的PE需求延续到随后的峰值后事件（PPE）时期，导致预测产生严重偏差。为了应对这一挑战，我们引入了一种名为拆分峰值注意力分解（SPADE）的神经预测模型。该模型通过将预测建模为两个独立的任务来减少PEs对后续预测的影响：一个针对PEs，另一个针对其余部分。其架构使用掩码卷积滤波器和专门的峰值注意力模块。我们在包含数亿种产品的全球零售数据集上展示了SPADE的性能。结果表明，与当前生产模型相比，整体PPE改善了4.5%，受促销和假期影响最大的预测改善了30%，PE准确率提高了3.9%。
引用
@article{arxiv.2411.05852,
title = {$\spadesuit$ SPADE $\spadesuit$ Split Peak Attention DEcomposition},
author = {Malcolm Wolff and Kin G. Olivares and Boris Oreshkin and Sunny Ruan and Sitan Yang and Abhinav Katoch and Shankar Ramasubramanian and Youxin Zhang and Michael W. Mahoney and Dmitry Efimov and Vincent Quenneville-Bélair},
journal= {arXiv preprint arXiv:2411.05852},
year = {2025}
}