热点事件持续更新

FARE：因子感知检索与误差引导融合的零售预测方法

1 篇报道1 个报道来源12 小时前更新

先了解这件事

AI 综述

Chenghao Gu 等作者提出零售预测方法 FARE：按目标周各已知因子分别检索历史周，在固定预算下合并为因子参考，再用收缩误差与候选分歧两道门控，将因子参考与形状参考混合后修正骨干预测。作者报告，在 Favorita、M5、Rossmann 和 Rohlik 四个数据集上，FARE 使五个骨干模型的 WAPE 平均分别降低 11.46%、4.06%、14.63% 和 10.16%。

AI 根据报道生成 · 2 小时前更新

最新进展10月31日 12:00

FARE：面向零售预测的因子感知检索与误差引导融合方法

报道时间线

沿着报道，了解事件的不同侧面。

10月31日

12:00
arXiv cs.AI
FARE：面向零售预测的因子感知检索与误差引导融合方法
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%。

本事件热度走势

可比范围当前: 7
可比范围峰值: 810月31日 22:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。