[论文解读] A network-based transfer learning approach to improve sales forecasting of new products

Tristan Karb, Niklas Kühl+2 more|arXiv (Cornell University)|May 13, 2020

Forecasting Techniques and Applications被引用 12

一句话总结

本文提出一种基于网络的迁移学习方法，利用预训练的深度神经网络，通过从相似且已上市的产品（尤其是同一价格簇的产品）迁移知识，提升历史数据有限的新食品产品销售预测性能。该方法显著降低了预测误差，并在未见促销活动中表现更优，优于未使用迁移学习的标准模型。

ABSTRACT

Data-driven methods -- such as machine learning and time series forecasting -- are widely used for sales forecasting in the food retail domain. However, for newly introduced products insufficient training data is available to train accurate models. In this case, human expert systems are implemented to improve prediction performance. Human experts rely on their implicit and explicit domain knowledge and transfer knowledge about historical sales of similar products to forecast new product sales. By applying the concept of Transfer Learning, we propose an analytical approach to transfer knowledge between listed stock products and new products. A network-based Transfer Learning approach for deep neural networks is designed to investigate the efficiency of Transfer Learning in the domain of food sales forecasting. Furthermore, we examine how knowledge can be shared across different products and how to identify the products most suitable for transfer. To test the proposed approach, we conduct a comprehensive case study for a newly introduced product, based on data of an Austrian food retailing company. The experimental results show, that the prediction accuracy of deep neural networks for food sales forecasting can be effectively increased using the proposed approach.

研究动机与目标

• 解决食品零售中因新产品的训练数据不足而导致的销售预测精度差的问题。
• 开发并评估一种迁移学习框架，通过深度神经网络模拟专家知识的迁移。
• 基于产品相似性（尤其是基于价格聚类）识别最适合作知识迁移的源产品。
• 提升模型在训练数据有限情况下对未见事件（如促销）的鲁棒性。
• 通过与奥地利一家食品零售商合作的真实案例研究验证该方法。

提出的方法

• 使用已上市相似产品的历史销售数据对深度神经网络（DNN）进行预训练，作为源领域。
• 通过在目标产品的有限数据上微调预训练DNN的层，实现迁移学习，共享已学习的特征。
• 将产品按相似性聚类（低、中、高价格）以识别最具迁移潜力的源领域。
• 通过组合在不同源聚类上训练的DNN构建集成模型，并在不同时间段和促销事件中评估性能。
• 在多个评估指标下，将采用迁移学习的模型（ENS_TL_models）与无迁移学习的基线模型（w/o_TL）进行比较。
• 在时间维度上评估模型性能，特别是在初期几周及促销活动期间，以衡量泛化能力与偏差减少效果。

实验结果

研究问题

• RQ1 迁移学习如何提升在数据有限条件下对新产品销售的深度神经网络预测精度？
• RQ2 哪些源产品最适合作知识迁移？在此背景下，如何有效衡量产品相似性？
• RQ3 结合多个源模型的集成策略是否能提升预测鲁棒性，相比单模型迁移？
• RQ4 与标准模型相比，该迁移学习方法在未见促销活动中的表现如何？
• RQ5 源领域选择（尤其是基于价格相似性）是否影响知识迁移的成功？

主要发现

• ENS_TL_models在整体预测精度上显著优于无迁移学习的基线模型（w/o_TL）。
• 在与目标产品同属中等价格簇的源产品上训练的集成模型，在所有评估周期内表现最佳。
• 在初期几周内促销数据占比低的ENS_TL_model性能显著低于促销数据占比高的集成模型。
• 迁移学习降低了预测方差，并改善了对训练数据偏差的处理，尤其是在首次促销活动期间。
• 采用迁移学习的模型在促销周与非促销周均表现出更稳定的性能，表明其对数据稀疏性和事件不可预测性的鲁棒性。
• 结果证实，从相似产品（尤其是价格相近的产品）迁移知识，可有效替代或增强人工专家预测。