PulseAugur
中
实时 03:52:31

GNBAN：新型图网络提升零售需求预测准确性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出GNBAN，一种图神经基注意力网络，用于对大型相关实体集进行长周期预测，特别是在零售需求预测方面。这种新颖的架构将异构图表示学习与可解释的分解头相结合，允许单个模型通过将零售数据表示为图来服务于整个目录。GNBAN将预测分解为趋势、季节性和通用组件，利用每基注意力机制来捕捉不同的时间模式，同时保持可解释性。在M5 Walmart和Favorita Grocery Sales基准测试上的评估表明，与现有的基于图的方法相比，GNBAN将预测准确性提高了4-5%。 AI

影响 该模型可以提高大规模零售业务中需求预测的准确性和可解释性。

排序理由 该集群包含一篇详细介绍新模型架构的研究论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

GNBAN：新型图网络提升零售需求预测准确性

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Janak M. Patel, Anirudh Deodhar, Dagnachew Birru ·

    GNBAN：用于大型实体集长时序预测的图神经基注意力网络

    arXiv:2606.27863v1 Announce Type: cross Abstract: Demand forecasting at the bottom of a retail hierarchy requires predicting tens of thousands of correlated long-horizon series across products, stores, and regions. Modern systems must scale across massive catalogs, capture shared…

  2. arXiv cs.AI TIER_1 English(EN) · Dagnachew Birru ·

    GNBAN：用于大型实体集长时序预测的图神经网络基注意力网络

    Demand forecasting at the bottom of a retail hierarchy requires predicting tens of thousands of correlated long-horizon series across products, stores, and regions. Modern systems must scale across massive catalogs, capture shared demand dynamics, and remain interpretable enough …

相关实体

相关话题