F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data
F-FOMAML：利用代理数据与图神经网络预测高峰期需求的元学习方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究零售需求的机器学习预测，未提供宏观预测或其他所列计量细分方向的明确依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
F-FOMAML：利用代理数据与图神经网络预测高峰期需求的元学习方法
- 研究问题
- 在促销等高峰期历史数据有限时，如何利用相似实体的非高峰期代理数据与关系特征，提高电商及实体零售的高峰期需求预测准确性？
- 方法与思路
- 作者将需求预测表述为元学习任务，结合非高峰期代理数据与图神经网络生成的关系元数据，通过 F-FOMAML 学习按特征调整的层参数。
- 材料陈述的贡献
- 摘要称，考虑任务领域相似性可使超额风险随训练任务增加而下降；两组数据上的平均绝对误差分别降低了26.24%和1.04%。
- 阅读关注点
- 应核对代理实体的选择规则、任务元数据和领域相似性的定义、泛化结果的条件，以及数据划分是否避免信息泄漏、比较基准是否公平。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明理论条件、评估不确定性及内部数据可复现性，不能将所报提升推广到其他场景。
原文摘要
Demand prediction is a crucial task for e-commerce and physical retail businesses, especially during high-stake sales events. However, the limited availability of historical data from these peak periods poses a significant challenge for traditional forecasting methods. In this paper, we propose a novel approach that leverages strategically chosen proxy data reflective of potential sales patterns from similar entities during non-peak periods, enriched by features learned from a graph neural networks (GNNs)-based forecasting model, to predict demand during peak events. We formulate the demand prediction as a meta-learning problem and develop the Feature-based First-Order Model-Agnostic Meta-Learning (F-FOMAML) algorithm that leverages proxy data from non-peak periods and GNN-generated relational metadata to learn feature-specific layer parameters, thereby adapting to demand forecasts for peak events. Theoretically, we show that by considering domain similarities through task-specific metadata, our model achieves improved generalization, where the excess risk decreases as the number of training tasks increases. Empirical evaluations on large-scale industrial datasets demonstrate the superiority of our approach. Compared to existing state-of-the-art models, our method demonstrates a notable improvement in demand prediction accuracy, reducing the Mean Absolute Error by 26.24% on an internal vending machine dataset and by 1.04% on the publicly accessible JD.com dataset.