Meta-LLSTM：一种通过元学习增强性能的可学习LSTM模型，用于零售销售预测

摘要

准确的零售销售预测对于理解客户需求、管理库存和优化业务策略至关重要。传统的预测方法难以同时考虑时间序列数据中的线性和非线性变化，这限制了模型的适应性。此外，有效的业务策略对于提高公司整体收入也非常重要，而这依赖于精确预测所提供的洞察。为了解决这些不足，本文提出了基于元学习的增强型长短期记忆网络（Meta-LLSTM），以实现高效的零售销售预测和泛化能力。该模型通过元学习机制快速适应各种运营环境，从而提升预测效果。另一方面，多参数指数线性单元（MPELU）引入了可学习的参数，使模型能够处理线性和非线性变化，从而更有效地预测零售销售情况。为了改进零售销售预测，本研究采用了以下辅助模块：基于最近性、频率、货币价值和多样性（RFMD）的客户销售信息分析方法、K均值客户细分技术以及自适应库存校正（AIC）方法。同时，使用均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R-squared）、平均绝对百分比误差（MAPE）和对称平均绝对百分比误差（SMAPE）等指标来评估Meta-LLSTM的性能。实验结果表明，该模型的RMSE值为1.003，低于自动编码器（AE）、卷积神经网络（CNN）、门控循环单元（GRU）和循环神经网络（RNN）等现有模型的性能。具体而言，Meta-LLSTM的RMSE比RNN低16.97%，表明其更具优越性。