arXiv cs.AI· Karthik Iyer, Madan Dabbeeru·· 4 小时前AI 评分32
零售销量预测模型对比:LightGBM、TimesFM、Chronos-Bolt、Temporal Fusion Transformer 与世界模型在四个公开数据集上的表现
Forecasting Retail Sales at Every Grain: Trees, Foundation Models, Transformers and World Models Compared on Four Public Data Sets
AI 导读
一项研究在 M5、Dominick's 六个品类、Breakfast at the Frat 和 Corporacion Favorita 四个公开数据集上对比了 LightGBM、预训练基础模型 TimesFM、Chronos-Bolt、Timestral、Temporal Fusion Transformer 及一个世界模型的零售销量预测表现。
正文 · AI 翻译
摘要:零售商基于同一需求在不同粒度上做出决策:门店按商品和日期下单,促销按商品和周进行,品类复盘和供应商条款则另按其他粒度。本文探讨:在 finest 粒度上构建并汇总到每个更粗粒度的单一预测,能否同时服务于所有这些决策,以及哪种模型表现最佳。研究在 M5、Dominick's 的六个品类、Breakfast at the Frat 和 Corporacion Favorita 数据集上,比较了 LightGBM、预训练基础模型(TimesFM、Chronos-Bolt、Timestral)、Temporal Fusion Transformer,以及一个在价格和促销计划下携带每个商品状态向前推进的世界模型,其中世界模型和 LightGBM 通过共同搜索进行调参。何时使用平均值:将调参后的世界模型与 LightGBM 取平均并汇总到每个粒度,在 27 个粒度与数据集组合中的 22 个上误差最低,且在最终留出期上从未成为最不准确的。何时使用世界模型:在未参与训练的现有商品上,其缩放误差最多损失 0.040,而 LightGBM 最多损失 0.311;在历史较短的品线上,它在九个数据集中的六个上明显更准确。何时使用 LightGBM:在促销力度大的品线、快销品线和历史较长的品线上(各为九个数据集中的六个),以及降价周。尚无定论:从未促销的品线和慢销品线接近持平;在提前 52 周的情况下,平均值在七个数据集中的五个上最准确,世界模型在七个中的两个上领先于 LightGBM。这些发现适用于这些数据集以及价格和促销杠杆;任何采用者都应在自己的数据上重新运行每一项比较。
| 评论: | 38 页。版本 3:标题、摘要和代码存档已更正;论文为版本 2。代码和数据:doi:https://doi.org/10.5281/zenodo.24271672 |
| 主题: | 机器学习(cs.LG);人工智能(cs.AI) |
| 引用为: | arXiv:2610.25170 [cs.LG] |
| (或 arXiv:2610.25170v3 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2610.25170 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Karthik Iyer [查看电子邮件]
[v1]
2026 年 10 月 18 日周日 10:50:36 UTC(532 KB)
[v2]
2026 年 11 月 16 日周一 07:22:12 UTC(469 KB)
[v3]
2026 年 11 月 17 日周二 09:23:58 UTC(469 KB)
来源:arXiv cs.AI · arxiv.org