×
马少辉；罗伯特·菲尔德斯

基于元学习的零售销售预测。 （英语） Zbl 1487.62152号

欧洲药典。物件。 288，编号1，111-128（2021）.
摘要：零售销售预测通常需要对许多商店的数千种产品进行预测。我们提出了一个基于新开发的深度卷积神经网络的元学习框架，它可以首先从原始销售时间序列数据中自动学习特征表示，然后将学习到的特征与一组用于组合一组基本预测方法的权重相连接。基于IRI每周数据的实验表明，与一些最先进的基准相比，所提出的元学习器提供了优越的预测性能，尽管与一些更复杂的元集成基准相比，精度提高不大，并且所学习的特征缺乏可解释性。在设计预测零售销售的元学习者时，我们建议建立一个基础预测者库，包括单个预测方法和集合预测方法，目标是找到最佳组合预测，而不是最佳单个方法。

引用于4文件

MSC公司：

62第20页 统计学在经济学中的应用
62M20型 随机过程推断和预测
68T05型 人工智能中的学习和自适应系统

关键词：

预测；大数据；零售额预测；机器学习；预测多个时间序列；元学习；深度学习

软件：

诺曼；预测；亚当；DeepAR（深度AR）；雏鸡；FFORMA公司；ts功能；e1071号；字节网；张紧器2传感器；elmNNRcpp；护林员；预测；XGBoost公司；格尔姆奈特；WaveNet公司
PDF格式BibTeX公司 XML格式引用
\textit{S.Ma}和\textit{R.Fildes}，欧洲期刊Oper。第288号决议，第1号，第111-128号（2021年；Zbl 1487.62152）
全文： 内政部 链接

参考文献：

[1] Aburto，L。；Weber，R.，《基于混合需求预测的改进供应链管理》，应用软计算，7，1，136-144（2007）
[2] 安斯科，T.L。；Aronson，J.E.，《用于扫描仪数据分析的神经网络和回归的实证调查与比较》，《零售与消费者服务杂志》，6，4，205-217（1999）
[3] 艾伦，P.G。；Fildes，R.，《计量经济学预测》（Armstrong，J.S.，《预测原理》（2001），Kluwer:Kluwer-Norwell，Ma），第303-362页
[4] 安德鲁斯·R·L。；柯里姆，I.S。；Leefrang，P.S.H。；Lim，J.，《估算SCAN PRO商店销售模型：HB、FM或仅OLS》，《国际营销研究杂志》，第25、1、22-33页（2008年）
[5] Arunraj，N.S。；Ahrens，D.，《用于每日食品销售预测的混合季节自回归综合移动平均和分位数回归》，《国际生产经济学杂志》，170，321-335（2015）
[6] 巴罗，D.K。；Kourentzes，N.，预测组合的预测误差分布：对库存管理的影响，《国际生产经济学杂志》，177，24-33（2016）
[7] Y.本吉奥。；库尔维尔，A。；Vincent，P.，《表征学习：回顾与新视角》，IEEE模式分析与机器智能汇刊，35，8，1798-1828（2013）
[8] R.C.布拉特贝格。；George，E.I.，《价格和促销弹性的收缩估计：看似无关的方程》，美国统计协会杂志，86，414，304-315（1991）
[9] 博伊兰，J.E。；古德温，P。；Mohammadiur，M。；Syntetos，A.A.，预测研究中的再现性，《国际预测杂志》，31，1，79-90（2015）
[10] Breiman，L.，《随机森林，机器学习》，45，1，5-32（2001）·Zbl 1007.68152号
[11] Bronnenberg，B.J。；克鲁格，M.W。；Mela，C.F.，《数据库论文：IRI营销数据集》，《营销科学》，第27、4、745-748页（2008年）
[12] 塞奎拉，V。；托戈，L。；平托，F。；Soares，C.，数据库中时间序列预测、机器学习和知识发现的仲裁集成。ECML PKDD 2017（2017），《计算机科学讲义：计算机科学商会讲义》，在
[13] Chen，T。；Guestrin，C.，Xgboost:一个可扩展的树增强系统（2016），在第22届ACM sigkdd知识发现和数据挖掘国际会议上发表的论文
[14] Davydenko，A。；Fildes，R.，《衡量预测准确性：SKU级需求预测的判断调整案例》，《国际预测杂志》，29，3，510-522（2013）
[15] Dekker，M。；van Donselaar，K。；Ouwehand，P.，《如何使用聚合和组合预测改进季节性需求预测》，《国际生产经济学杂志》，90，2，151-167（2004）
[16] Demšar，J.，分类器在多个数据集上的统计比较，机器学习研究杂志，7，1-30（2006）·Zbl 1222.68184号
[17] 费尔德斯，R。；马，S。；Kolassa，S.，《零售预测：研究与实践》，《国际预测杂志》（2020年），出版中
[18] 费尔德斯，R。；Petropoulos，F.，预测多个时间序列的简单与复杂选择规则，《商业研究杂志》，68，8，1692-1701（2015）
[19] Friedman，J.H.，《贪婪函数近似：梯度提升机器》，《统计年鉴》，29，5，1189-1232（2001）·Zbl 1043.62034号
[20] 弗里德曼，J.H。；哈斯蒂，T。；Tibshirani，R.，通过坐标下降的广义线性模型的正则化路径，统计软件杂志，33，1，1-22（2010）
[21] Fumi，A。；佩佩，A。；斯卡拉波蒂，L。；Schiraldi，M.M.，《时装公司需求预测的傅里叶分析》，《国际工程商业管理杂志》，2013年第5期，第1-10页
[22] 居尔·阿里（Gür Ali）。；Sayin，S。；van Woensel，T。；Fransoo，J.，促销中的SKU需求预测，应用专家系统，36，10，12340-12348（2009）
[23] 居尔·阿里。；Yaman，K.，《使用大型零售数据集训练支持向量回归模型选择行和列》，《欧洲运筹学杂志》，226，3，471-480（2013）·Zbl 1292.62096号
[24] He，K。；张，X。；Ren，S。；Sun，J.，《深入研究整流器：在ImageNet分类方面超越人类水平的性能》（2015），2015年IEEE国际计算机视觉会议（ICCV）上发表的论文
[25] 胡，J。；沈，L。；阿尔巴尼，S。；Sun，G。；Wu，E.，挤压和励磁网络，IEEE模式分析和机器智能汇刊（2019），1-1
[26] 黄，T。；费尔德斯，R。；Soopramanien，D.，《竞争信息在预测快速消费品零售产品销售额中的价值和变量选择问题》，《欧洲运筹学杂志》，237，2738-748（2014）
[27] Hyndman，R.、Kang，Y.、Montero-Manso，P.、Talagala，T.、Wang，E.、Yang，Y。Moorman，J.R.（2019）。Tsfeatures：时间序列特征提取。R包R包v.1.0.1。
[28] Hyndman，R.和Khandakar，Y.（2008年）。自动时间序列预测：R.2008的预测包，27（3），22。doi:10.18637/jss.v027.i03
[29] 库克，M。；Crone，S.F。；Freitag，M.，《利用神经网络和地标进行元学习，用于预测模型选择——对应用于行业数据的不同特征集的实证评估》（2016年），在2016年国际神经网络联合会议（IJCNN）上发表的论文
[30] O.I.卡劳格鲁。；Akyuz，E.S。；Ecemis，S。；埃尔尤鲁克，S.H。；苏门，H。；Kalaoglu，F.，服装行业零售需求预测，Tekstil Ve Konfeksiyon，25，2，174-180（2015）
[31] Kalchbrenner，N。；Espeholt，L。；Simonyan，K。；奥尔德，A.v.d。；格雷夫斯，A。；Kavukcuoglu，K.，线性时间中的神经机器翻译，arXiv:1610.10099（2016）
[32] Kalousis，A。；Theoharis，T.，NOEMON：分类器选择智能助手的设计、实现和性能结果，智能数据分析，3，5，319-337（1999）·Zbl 1059.68611号
[33] Kim，Y.（2014）。用于句子分类的卷积神经网络。arXiv:1408.5882。
[34] 金玛，D.P。；Ba，J.，Adam:随机优化方法（2015），在第三届国际学习表征大会上发表的论文
[35] Koning，A.J。；弗朗西斯，P.H。；希邦，M。；Stekler，H.O.，《M3竞赛：结果的统计检验》，《国际预测杂志》，21，3，397-409（2005）
[36] Kourentzes，N.（2019年）。海啸：时间序列探索、建模和预测。R包版本0.9.1。
[37] Lang，S。；施泰纳，W.J。；韦伯，A。；Wechselberger，P.，《调节价格效应的异质性和非线性以预测品牌销售额和利润》，《欧洲运筹学杂志》，246，1，232-241（2015）·Zbl 1346.62163号
[38] LeCun，Y。；Bengio，Y.，《图像、语音和时间序列的卷积网络》，《大脑理论和神经网络手册》（1995年），麻省理工学院出版社：麻省理学院出版社Arbib，M.A。
[39] LeCun，Y。；Kavukcuoglu，K。；Farabet，C.，《卷积网络及其在视觉中的应用》（2010），2010年IEEE国际电路与系统研讨会论文集
[40] Lee，H。；Grosse，R。；Ranganath，R。；Ng，A.Y.，《用于分层表示的可扩展无监督学习的卷积深度信念网络》（2009），加拿大魁北克省蒙特利尔第26届国际机器学习年会论文集
[41] Lemke，C。；Gabris，B.，时间序列预测和预测组合的元学习，神经计算，73，10，2006-2016（2010）
[42] 利维，M。；格雷瓦尔，D。；Kopalle，P。；Hess，J.，《零售定价实践的新兴趋势：对研究的影响》，《零售杂志》，80，3，xiii-xxxi（2004）
[43] Lu，C.-J.，基于变量选择方案和支持向量回归的计算机产品销售预测，神经计算，128，491-499（2014）
[44] 马，S.H。；Fildes，R.，《预测第三方移动支付对客户流量预测的影响》，《国际预测杂志》，36739-760（2020）
[45] 马，S.H。；费尔德斯，R。；Huang，T.，用高维数据进行需求预测：用类别内和类别间促销信息进行SKU零售额预测的案例，《欧洲运筹学杂志》，249，1，245-257（2016）·Zbl 1346.62165号
[46] Makridakis，S。；Petropoulos，F.，《M4竞赛：结论》，《国际预测杂志》（2019年）
[47] Makridakis，S。；Petropoulos，F.，《M4竞赛：结论》，《国际预测杂志》，36，1，224-227（2020）
[48] Makridakis，S。；Spiliotis，大肠杆菌。；Assimakopoulos，V.，《M4竞赛：100000个时间序列和61种预测方法》，《国际预测杂志》，36，1，54-74（2020）
[49] 梅耶，D。；Dimitriadou，E。；霍尼克，K。；Weingessel，A。；Leisch，F。；Chang，C.-C。；Lin，C.-C.，e1071：统计部的其他职能，R包v，1（2019），7-2
[50] 蒙特罗·曼索，P。；Athanasopoulos，G。；Hyndman，R.J。；Talagala，T.S.，FFORMA：基于特征的预测模型平均化（2018），工作文件19/18
[51] Mouselimis，L.和Gosso，A.（2018年）。elmNNRcpp：极限学习机器算法。R包版本1.0.1。
[52] 奥尔德，A.v.d。；迪尔曼，S。；Zen，H。；Simonyan，K。；葡萄酒，O。；格雷夫斯，A。；Kavukcuoglu，K.，《WaveNet:原始音频的生成模型》，arXiv:1609.03499（2016）
[53] 皮洛，G.D。；拉托雷，V。；Lucidi，S。；Procacci，E.，《支持向量机在促销销售预测中的应用》，《比利时-法国和意大利运筹学会季刊》第4期，第14、3、309-325页（2016年）·Zbl 1349.62575号
[54] 不列颠哥伦比亚省普鲁登西奥。；Ludermir，T.B.，选择时间序列模型的元学习方法，神经计算，61,1121-137（2004）
[55] 拉莫斯，P。；Fildes，R.，《用促销效应表征零售需求》（2017年），澳大利亚凯恩斯预测国际研讨会论文
[56] 拉莫斯，P。；Santos，N。；Rebelo，R.，《用于消费者零售销售预测的状态空间和ARIMA模型的性能》，机器人和计算机集成制造，34，151-163（2015）
[57] 萨利纳斯，D。；弗伦克特，V。；Gasthaus，J。；Januschowski，T.，DeepAR：自回归递归网络概率预测，国际预测杂志（2019）
[58] Santos，c.N.D。；Zadrozny，B.，《部分语言标记的学习特征级表征》（2014），第31届国际机器学习会议论文集第32卷，中国北京
[59] Smyl，S.，《用于时间序列预测的指数平滑和递归神经网络混合方法》，《国际预测杂志》，36，1，75-85（2020）
[60] 北斯利瓦斯塔瓦。；辛顿，G。；Krizhevsky，A。；Sutskever，I。；Salakhutdinov，R.，《辍学：防止神经网络过度拟合的简单方法》，《机器学习研究杂志》，1929-1958年，第15期，第6期（2014年）·Zbl 1318.68153号
[61] Talagala，T。；Hyndman，R。；Athanasopoulos，G.，Meta-learning how to forecast time series（2018），检索自
[62] Vapnik，V.N.，统计学习理论概述，IEEE神经网络汇刊，10，5，988-999（1999）
[63] 瓦斯瓦尼，A。；Shazeer，北。；北卡罗来纳州帕尔马。；Uszkoreit，J。；Jones，L。；Gomez，A.N.，《注意力就是你需要的一切》（2017年），发表于NIPS’17：第31届神经信息处理系统国际会议论文集，美国长滩
[64] 王，X。；Smith-Miles，K。；Hyndman，R.，预测方法选择的规则归纳：单变量时间序列特征的元学习，神经计算，72，10，2581-2594（2009）
[65] 维多多，A。；Budi，I.，《利用时间序列特征降维进行模型选择》（2013年），在韩国首尔国际预测研讨会上发表的论文
[66] Wolpert，D.H。；Macready，W.G.，优化的无免费午餐定理，IEEE进化计算汇刊，1，1，67-82（1997）
[67] Wong，W.K。；郭振新，利用极端学习机和和谐搜索算法的时尚零售供应链中期销售预测混合智能模型，国际生产经济学杂志，128，2，614-624（2010）
[68] Wright，M.N。；Ziegler，A.，ranger:C++和R中高维数据随机森林的快速实现，统计软件杂志，77，1，17（2017）
[69] 夏，M。；Zhang，Y。；翁·L。；Ye，X.，《基于输入自适应度量的极端学习机器的时尚零售预测》，基于知识的系统，36，253-259（2012）
[70] Yu，Y。；Choi，T.-M。；Hui，C.-L.，时尚产品智能快速销售预测模型，应用专家系统，38，6，7373-7379（2011）
[71] Zȩbik，M。；科里特科夫斯基，M。；Angryk，R。；Scherer，R.，《用于时间序列分类的卷积神经网络》（2017），在国际人工智能和软计算大会上发表的论文
[72] 郑毅。；刘，Q。；陈，E。；Ge，Y。；Zhao，J.L.，《使用多通道深度卷积神经网络进行时间序列分类》（2014），Cham Web-Age Information Management上发表的论文
[73] 齐格勒，A。；König，I.R.，《用随机森林挖掘数据：现实世界应用的当前选项》，《威利跨学科评论：数据挖掘和知识发现》，4，1，55-63（2014）
[74] Zotteri，G。；Kalchschmidt，M.，预测过程中选择适当加总水平的模型，《国际生产经济学杂志》，108，1-2，74-83（2007）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。