基于时序分量分解与切换的零售业多产品需求预测方法

《Results in Engineering》：A Multi-product Demand Forecasting Method in Retail Industry via Temporal Component Decomposition and Fusion

　　

产品级零售需求预测需要在相关产品-门店序列间共享共同时序模式，同时保留条目特有差异。现有多元模型常将滞后观测、静态属性与未来已知变量混合于单一表示中，而基于分解的模型对时序分量针对不同产品与门店的适配有限。研究人员提出TCD-SW（Temporal Component Decomposition and Switch，时序分量分解与切换）框架：由滞后观测构建分解时序数值基线，并利用产品-门店属性与未来已知变量生成产品特有切换权重（switch weights）以实现自适应预测。在含80条产品-门店序列的私有零售商数据集与含500条序列的公开基准数据集上，TCD-SW于24种指标- horizon-数据集组合中的20种取得最优或并列最优点预测性能；未见产品实验中较最优基线RMSE降低13.95%、RMSLE降低11.33%、MAE降低13.51%、SMAPE降低9.87%；库存导向评估下采用order-up-to策略平均总成本降低12.37%。结果表明TCD-SW为分组多产品零售预测及库存决策支持提供了有用框架。

研究背景方面，零售业在全球经济中承担终端销售职能，快消品（fast-moving consumer goods, FMCG）需求预测直接关联补货、库存分配与服务水平控制。现有方法面临三方面问题：其一，经典单变量模型（如指数平滑ES、ARIMA、状态空间模型SSM）难以充分利用促销、节假日等外生变量；其二，循环网络（LSTM）、Transformer类（Informer、Autoformer、TFT、PatchTST）、稠密编码器-解码器（TiDE）及图神经网络（GNN）常将滞后观测、静态属性、未来已知变量置于统一表示中，未显式区分其在共享时序模式学习与产品级调整中的异质角色；其三，分解类深度模型（N-BEATS、N-HiTS）虽以多项式趋势与傅里叶季节基函数提取可解释时序分量，但缺乏将分解分量适配至不同产品-门店销量水平、波动与未来日历/促销效应的机制。因此，研究人员开展本研究，旨在耦合时序分量分解与产品自适应切换，在分组多产品设定下兼顾跨序列时序共享与条目级异质性保留。

主要关键技术方法上，研究人员构建两分支架构：TCD分支以膨胀因果一维卷积的时间卷积网络（Temporal Convolutional Network, TCN）提取滞后观测长程依赖，经通用线性模块映射后分别以p阶多项式Vandermonde矩阵约束趋势分量、以傅里叶正弦/余弦矩阵约束季节分量，残差分支处理去趋势去季节后余项，三者加和形成时序数值基线（value baseline）；SW分支将静态产品-门店属性与未来已知变量（日历正弦-余弦编码、促销指示）经全连接与Sigmoid压缩为horizon维度切换向量，对基线逐元素调制得点预测，并可外接分位数回归头以pinball损失输出分位数预测。数据来自中国某零售商2014–2019年4品类×20店日销私有集D1（80序列）与Kaggle Store Item Demand集D2（50 item×10店，500序列），滑动窗口L=60(H=7,14)或120(H=30)，训练集至2019/2017年9月30日、测试集其后三月，MSLE（Mean Square Logarithmic Error）训练、RMSE/RMSLE/MAE/SMAPE评估。

研究结果部分，第1节引言指出异质SKU强行全局建模会稀释类别信息，分组联合建模需避免抑制条目级异质，引出TCD-SW动机。第2节文献综述分三子节：2.1零售预测综述以表1归纳经典单变量、传统多元、Transformer/稠密、GNN、分解类、混合类的研究缺口，定位TCD-SW“分离共享基线学习与产品切换调整”的新颖性；2.2新品预测综述指出类比法、生命周期曲线、多模态融合均依赖显式可比品或属性标签，而本研究伪样本外跨产品评估可检验表示迁移；2.3不确定性分析指出当前TCD-SW为确定性点预测，但分位数头扩展可支持服务水平库存评价。第3节方法论详述TCN膨胀因果卷积与残差块、TCD三子分支（趋势/季节/残差）基函数约束、SW静态+未来已知变量到Sigmoid切换向量映射及最终逐元素乘（?）预测，并给出点预测与分位数联合损失式。第4节实验：4.1准备中D1含促销/缺货/库存/气温等业务协变量，D2仅store/item id，描述统计显示D1偏度3.7、峰度15.72呈重尾；4.2对比实验在D1/D2上H=7,14,30对LSTM、Informer、TiDE、DAN、N-BEATS、Autoformer、TFT、注意力融合模型比较，TCD-SW于24组合中20个最优或并列最优，D2上H=30时RMSE 7.63、MAE 5.85仍低于TiDE(7.78/5.95)；计算效率表显示TCD-SW参数量0.73M、训练16.18分、推理0.10ms/样本，平均排名1.479；Friedman(χ2=125.98,p<0.001)与Iman-Davenport(F=43.88,p<0.001)及Wilcoxon+Holm(post-hoc p_Holm<0.001,效应量r=0.76–0.88)证显著优于基线。4.3消融中去SW(TCD)、去基函数(TCN-SW)、仅TCN三变体误差全面上升，平均较TCD-SW高8.40%/6.40%/10.87%；PCA可视化显示SW输出在horizon维非均匀加权，TCD-SW表示层较原始/TCN/TCD更聚拢。未见产品伪样本外实验RMSE降13.95%等；order-up-to库存策略总成本降12.37%。

讨论与结论部分，研究人员指出TCD-SW通过将滞后观测限定为共享时序基线、将静态属性与未来已知变量限定为产品-horizon切换权重，显式分离了“共同时序结构学习”与“条目级水平调制”两类角色，从而在分组多产品零售设定下避免全局模型平均化与逐SKU模型爆炸。其意义在于：为中等规模分组SKU提供参数量紧凑（<1M）、可周期性重训、可直接接入库存策略的点预测与可扩展分位数预测方案；在私有D1与公开D2双场景验证泛化性。作者于结论明确——当前验证限于两组数据集的分组多产品设定，更广异质SKU规模与冷启动全未知品仍为未来工作；分位数头与库存耦合、GNN关系结构与分解切换互补性亦为延展方向。论文发表于《Results in Engineering》。