arXiv cs.AI· Chenghao Gu, Zhuokang Shen, Shenghao Wu, Tingxuan Zhu, Weiyi Luo, Haifeng Tang·· 13 小时前AI 评分27
FARE：面向零售预测的因子感知检索与误差引导融合方法
FARE: Factor-Aware Retrieval with Error-Guided Fusion for Retail Forecasting
AI 导读
FARE 通过按目标周各已知因子分别检索历史周并在固定预算下合并为因子参考，再用收缩误差与候选分歧控制两道门控，将因子参考与形状参考混合后修正骨干预测。在 Favorita、M5、Rossmann 和 Rohlik 上，FARE 使五个骨干模型的 WAPE 平均降低 11.46%、4.06%、14.63% 和 10.16%。
正文 · AI 翻译
摘要：零售销售预测是库存规划的基础，但促销活动和日历事件会重塑短期需求。尽管每个因素通常都有历史发生记录，但目标周的完整因素组合往往鲜有先例。因此，挑战在于检索出有信息量的部分匹配，并按其在各序列间存在差异的可靠性对其进行加权。我们提出 FARE（Factor-Aware Retrieval with Error-Guided Fusion，误差引导融合的因素感知检索），该方法针对每个已知的目标周因素分别对历史周进行排序，并在固定预算下将选中的周合并为因素参考。在已完成开发周的收缩误差和候选间当前分歧的引导下，第一道门控将该因素参考与来自相似销售历史的形状参考混合，第二道门控控制该混合结果对骨干预测的校正强度。两道门控在测试期间均保持固定。在 Favorita、M5、Rossmann 和 Rohlik 上，FARE 将五个骨干模型的加权绝对百分比误差（WAPE）平均降低了 11.46%、4.06%、14.63% 和 10.16%。在冻结 Chronos-2 的情况下，FARE 也优于传统方法和现有增强方法，包括监督式残差校正和检索增强。代码可在 此 https URL 获取。
| 评论： | 16 页，3 张图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.40160 [cs.LG] |
| （或 arXiv:2610.40160v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40160 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zhuokang Shen [查看邮箱]
[v1]
2026 年 10 月 29 日星期四 14:37:00 UTC（716 KB）
来源：arXiv cs.AI · arxiv.org