服装销售预测方法的基准测试与性能评估

《Forecasting》：Kolmogorov–Arnold Networks for Daily Apparel Retail Demand Forecasting: A Comparative Evaluation Across Forecasting Models

　　服装运营预测需要在对比中结合强力的经典基线方法、现代学习架构、敏感性分析以及跨多个预测起点的评估。本研究针对11个服装类别、来自土耳其的1403条零售商定义的潜在销售指标观测数据，基准测试了九种一步向前日预测方法。这九种方法分别为：季节朴素法（SNaive）、指数平滑法（ETS）、LightGBM、前馈神经网络（FFNN）、标准Kolmogorov-Arnold网络（KAN）、长短期记忆网络（LSTM）、Transformer、TimeKAN和iTransformer，全部在仅使用滞后信息的设定下进行评估。评估方法包括183天的测试窗口、五种方法的联合建模与分类别建模消融实验、固定配置下的回看窗口敏感性分析以及七个滚动起点窗口。在测试窗口上，ETS取得了最低的宏加权绝对百分比误差（WAPE：12.02%）和最低的平均绝对缩放误差（MASE：0.690），而iTransformer和TimeKAN则是最强的学习型替代方案。在各滚动起点中，iTransformer取得了最低的宏平均WAPE，而ETS在七个窗口中的五个窗口中领先，并取得了最低的平均合并WAPE和宏MASE。标准KAN表现出中等性能，而TimeKAN和iTransformer在固定配置下随着回看窗口的延长而有所改善。在五种方法的消融实验中，分类别配置所获得的WAPE和MASE值低于对应的联合配置。总体而言，排名取决于预测起点、误差聚合方式、历史背景以及信息共享设计。