Fast Forecasting of Unstable Data Streams for On-Demand Service Platforms
面向即时服务平台不稳定数据流的快速预测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：摘要直接涉及需求预测和对不稳定、变化环境的自动适应。
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…
面向即时服务平台不稳定数据流的快速预测
- 研究问题
- 面对数量众多、环境不断变化的高频地区需求序列，即时服务平台如何自动更新预测，并兼顾可扩展性与计算成本？
- 方法与思路
- 作者开发快速、可扩展的预测框架，自动评估环境变化，并在欧洲配送平台的大规模需求数据上比较行业基准与经济影响。
- 材料陈述的贡献
- 摘要称，框架在不同地区、损失函数及疫情前后均获得较强预测改善，并进一步计算相应财务收益和计算成本降低。
- 阅读关注点
- 应核对环境变化的检测或适应机制、样本外评估设计、基准调参方式，以及如何把预测误差改善转换为平台财务收益。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未说明算法细节、收益幅度及计算成本口径，不能判断跨平台适用性。
原文摘要
On-demand service platforms face a challenging problem of forecasting a large collection of high-frequency regional demand data streams that exhibit instabilities. This paper develops a novel forecast framework that is fast and scalable, and automatically assesses changing environments without human intervention. We empirically test our framework on a large-scale demand data set from a leading on-demand delivery platform in Europe, and find strong performance gains from using our framework against several industry benchmarks, across all geographical regions, loss functions, and both pre- and post-Covid periods. We translate forecast gains to economic impacts for this on-demand service platform by computing financial gains and reductions in computing costs.