PulseAugur
中
实时 17:47:35
English(EN) A Predict-then-Correct Loop Based on Few-Shot Continuous Contextual Bandit for Demand Forecasting

新框架通过自适应修正提升零售需求预测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为预测-修正（PtC）的新框架，以改进零售需求预测，特别是在需求快速变化和早期数据有限的情况下。该框架结合了初步的机器学习预测和少样本连续上下文赌博机修正策略。在沃尔玛零售数据和饮料数据集上进行测试，与现有方法相比，PtC 在预测误差（MAPE、MAE、RMSE）方面显示出显著降低，并降低了库存成本。 AI

影响 该框架可以通过适应实时需求变化，从而实现更准确的库存管理和降低零售业成本。

排序理由 该集群包含一篇详细介绍用于需求预测的新机器学习框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架通过自适应修正提升零售需求预测能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Zhiwei Lei, Benedict Jun Ma, Ilya Jackson ·

    基于少样本连续上下文赌博机的预测-纠正循环用于需求预测

    arXiv:2607.16354v1 Announce Type: cross Abstract: Retail demand forecasting remains difficult when demand shifts faster than static forecasting models can be retrained, especially in early demand cycles where newly observed labels are sparse. To address this, this study aims to i…

相关实体

相关话题