面向多时段峰值需求预测的 TAT：时间对齐 Transformer

多时段时间序列预测在诸多实际应用中发挥着重要作用，例如需求预测。准确的需求预测对于帮助制定采购和库存决策至关重要，这些决策对于电子商务和实体零售商的供应链管理至关重要，而且此类预测通常需要针对延伸数周的未来时段进行。尤其是在高风险销售事件期间，需求峰值尤其难以准确预测。然而，这些事件不仅对管理供应链运营至关重要，也对于确保客户无缝购物体验至关重要。为此，我们提出了时间对齐 Transformer (TAT)，一种利用先验已知的上下文变量（如节假日和促销活动信息）以提高预测性能的多时段预测器。我们的模型由编码器和解码器组成，均嵌入了 novel 时间对齐注意 (TAA)，旨在学习峰值需求预测的上下文依赖对齐。我们在两个大型电商零售商的专有数据集上进行了广泛的经验分析。我们展示了 TAT 在峰值需求预测上实现了最高可达 30% 的精度提升，同时在保持与其他最先进方法的竞争性整体性能方面取得佳业绩。