利用Inception-Residual卷积神经网络对客户支出进行时间序列预测

《IEEE Access》：Time Series Forecasting of Customer Spend using Inception-Residual Convolutional Neural Networks

　　

本文利用来自斯洛文尼亚一家大型零售商的大规模、多年度数据集，研究了零售业中下个月客户支出的预测问题。该数据集包含247,544名客户和30个 monthly 时间点，以及目标月份的信息。为了解决这一回归问题，我们构建了针对每位客户的多元月度时间序列模型，用于表征消费者的购物习惯、支出情况、访问频率及相关行为特征。同时，我们还结合了客户的静态属性来丰富数据。为了模拟购物行为的动态变化（包括短期波动、中期周期和长期季节性），我们提出了一种一维卷积神经网络（1D Convolutional Neural Network），该网络结合了 Inception 风格的多分支模块和残差连接（Residual connections，简称 IncRes）。Inception 分支通过使用不同核大小和 dilation 的并行卷积来捕捉多尺度的时间结构，而残差路径则有助于优化过程并支持更深层次、更广泛的特征表示。静态特征通过一个轻量级的密集层进行整合，并在网络架构的后续部分进行融合，使模型能够从客户的人口统计信息中学习行为特征。所提出的模型实现了 0.679 的均方根误差（RRMSE），优于全局平均基线模型（1.165）、未采用 Inception-Residual 架构的 CNN 模型（0.720），以及其他竞争模型（包括 LSTM（0.717）、GRU（0.714）、MLP（0.715）、Ridge（0.704）和 ElasticNet（0.702）。这些结果表明，结合残差学习的多尺度卷积表示方法能够在无需人工特征工程的情况下提高支出预测的准确性，为大规模个性化零售预测提供了一种实用的方法，并且在误差率方面优于其他竞争模型。