[論文レビュー] EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge

Congcong Hu, Yuang Shi+5 more|arXiv (Cornell University)|Feb 7, 2026

Forecasting Techniques and Applications被引用数 0

ひとこと要約

この論文は、需要予測を改善するために大規模言語モデル（LLM）ベースのイベント知識を活用する、eコマース向けのハイブリッド需要予測フレームワークを提案します。

ABSTRACT

Demand forecasting is a cornerstone of e-commerce operations, directly impacting inventory planning and fulfillment scheduling. However, existing forecasting systems often fail during high-impact periods such as flash sales, holiday campaigns, and sudden policy interventions, where demand patterns shift abruptly and unpredictably. In this paper, we introduce EventCast, a modular forecasting framework that integrates future event knowledge into time-series prediction. Unlike prior approaches that ignore future interventions or directly use large language models (LLMs) for numerical forecasting, EventCast leverages LLMs solely for event-driven reasoning. Unstructured business data, which covers campaigns, holiday schedules, and seller incentives, from existing operational databases, is processed by an LLM that converts it into interpretable textual summaries leveraging world knowledge for cultural nuances and novel event combinations. These summaries are fused with historical demand features within a dual-tower architecture, enabling accurate, explainable, and scalable forecasts. Deployed on real-world e-commerce scenarios spanning 4 countries of 160 regions over 10 months, EventCast achieves up to 86.9% and 97.7% improvement on MAE and MSE compared to the variant without event knowledge, and reduces MAE by up to 57.0% and MSE by 83.3% versus the best industrial baseline during event-driven periods. EventCast has deployed into real-world industrial pipelines since March 2025, offering a practical solution for improving operational decision-making in dynamic e-commerce environments.

研究の動機と目的

• 改善されたeコマース需要予測の必要性を動機づける。
• LLM由来のイベント知識を従来の予測手法と統合するハイブリッドアプローチを提案する。
• イベント知識をeコマースの予測ワークフローに組み込む方法を示す。
• イベントコンテクストで需要予測を拡張するためにLLMsを活用する道筋を提供する。

提案手法

• 従来の需要モデルとLLM由来のイベント知識を組み合わせたハイブリッド予測フレームワークを導入する。
• 予測を inform するためにLLMs からイベント関連知識を抽出・整理する。
• イベント信号を予測パイプラインに統合してイベント時の需要予測を調整する。
• 情報抽出とエンタープライズアプリケーションに適合したソースと技術を活用する。

実験結果

リサーチクエスチョン

• RQ1 大規模言語モデルのイベント知識は予測目的のためにどのように表現できるか？
• RQ2 LLM由来のイベント知識を統合することは従来手法と比較してeコマースの需要予測を改善するか？
• RQ3 イベント信号を既存の予測モデルとどのように最適に融合するか？
• RQ4 eコマメ forecasting パイプラインにおけるLLMベースのイベント知識を展開する際の実務的考慮事項は何か？

主な発見

• 入手可能な抜粋には定量的な結果は提供されていない。
• 本研究は、eコマースの需要予測のためにLLMベースのイベント知識を活用したハイブリッド手法を提示することに焦点を当てている。
• 論文は予測ワークフローへのイベント情報の統合を強調する。
• 本研究はeコマース需要予測、大規模言語モデル、情報抽出の交差点に貢献を位置づける。