{Vikas RaykarSatyam DwivediSURYA SHRAVAN KUMAR SAJJASumanta MukherjeeKushagra ManglikVijay Ekambaram}
摘要
时尚等趋势驱动型零售行业每季度都会推出大量新产品。在这一背景下，对新上市产品进行准确的销售预测，对于下游供应链的高效规划（如商品组合设计与库存分配）至关重要。尽管传统的时序预测算法可用于已有产品的销售预测，但新产品的销售缺乏历史时序数据，难以依赖此类方法进行建模。本文提出并实证评估了几种新颖的基于注意力机制的多模态编码器-解码器模型，仅通过产品图像、可用的产品属性，以及外部因素（如节假日、重大事件、天气状况和折扣信息）来预测新产品的销售表现。我们在一个大规模时尚数据集上对所提方法进行了实验验证，结果表明，相较于现有的基于k近邻（k-nearest neighbor）的基线方法，本方法在预测准确率方面取得了显著提升，并显著增强了模型的可解释性。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| new-product-sales-forecasting-on-visuelle | Explainable Cross-Attention Multimodal RNN | MAE: 32.1 |
| new-product-sales-forecasting-on-visuelle2-0 | Explainable Cross-Attention Multimodal RNN | MAE: 0.99 |
| short-observation-new-product-sales | Explainable Cross-Attention Multimodal RNN | 1 step MAE: 0.96 10 steps MAE: 0.94 |