销量预测是零售供应链优化的核心技术2025—2026年间该领域经历了从模型多样化到架构收敛的深刻变革。本文系统梳理了这一时期的学术进展重点分析四个关键方向1基础模型在真实零售场景中的评估与局限2以Mamba为核心的状态空间模型架构创新3面向长尾数据的稀疏鲁棒预测架构4分层概率预测的端到端方法。通过对各方向核心方法、实证结果与适用边界的分析本文为零售预测系统的技术选型提供参考框架。关键词销量预测、基础模型、Mamba、稀疏预测、分层预测、概率预测一、引言从“模型竞赛”到“架构收敛”2025—2026年销量预测领域的技术格局发生了显著变化。此前的几年里研究者不断推出新的深度学习架构——Transformer、CNN、MLP、GNN等各种变体层出不穷。但近期的研究发现在某些情况下简单的线性层甚至能超越复杂的Transformer。这一发现促使领域进入了架构多样化的新阶段混合模型、扩散模型、Mamba模型和基础模型共同构成了当前的技术前沿。与此同时零售销量预测的特殊性——间歇性需求、大量缺失值、频繁的商品更替——使得通用时间序列模型在真实场景中面临严峻挑战。研究者开始重新审视什么样的架构真正适合零售销量预测二、基础模型热潮之下的冷静评估2.1 基础模型的承诺与现实2025—2026年时序基础模型Time Series Foundation Models, TSFMs无疑是该领域最受关注的方向。TimeGPT-1、Moirai、Chronos、TimesFM等模型在零样本预测场景中展现出惊人的潜力。然而一项系统性研究提出了一个关键问题基础模型到底有多“基础” 研究发现微调后的基础模型在参数规模和内存占用大幅增加的情况下并不总能一致性地优于更小、更专注的专用模型。基础模型的架构僵化和分布变化下的鲁棒性不足是其核心局限。2.2 双策略集成激活基础模型的潜力为应对上述局限研究者提出了双策略集成框架· 层级集成Hierarchical Ensemble 按门店、品类、部门等语义层级分别训练与推理捕捉局部模式· 架构集成Architectural Ensemble 融合多种模型架构的预测结果减少偏差、提升稳定性在M5基准和三个外部销售数据集上的实验表明该框架一致性地超越了强基线。核心启示如果单一基础模型效果不理想集成可能是解锁其潜力的关键。2.3 概率基础模型不确定性量化的突破2026年ProbFM提出了首个基于深度证据回归Deep Evidential Regression的概率时序基础模型。其核心创新在于显式的认识论-偶然论不确定性分解epistemic-aleatoric decomposition——无需预设分布形式或采样推理即可通过单次前向传播获得最优不确定性表示。该工作已被AAAI 2026的时间序列分析研讨会接收为口头报告。2.4 零售场景的实证对比Hobor等人2026在真实零售数据上对比了统计基线、树模型集成XGBoost、LightGBM和深度学习架构N-BEATS、N-HiTS、Temporal Fusion Transformer。研究发现局部的树模型方法取得了最优性能XGBoost以4.833的RMSE在所有模型中表现最佳。即使在聚合设置下SAITS插值提升了神经网络性能这些模型仍不及集成方法。这一结论提示我们模型选择应优先匹配问题特征而非追求架构的复杂性。三、Mamba架构线性复杂度的新范式3.1 从Transformer到MambaTransformer的O(n²)计算复杂度在处理长序列时成为瓶颈。Mamba通过选择性状态空间模型Selective State Space Model实现了线性时间复杂度下的长程依赖建模。在时间序列预测领域S-Mamba等架构已取得SOTA结果。3.2 多尺度Mambams-Mamba2026年提出的ms-MambaMulti-scale Mamba针对时间序列的多尺度特性进行了专门设计。其核心创新在于使用多个具有不同采样率的Mamba块同时处理多个时间尺度。在Solar-Energy数据集上ms-Mamba在MSE指标上超越了其最接近的竞争者S-Mamba0.229 vs. 0.240同时参数更少3.53M vs. 4.77M、内存更少13.46MB vs. 18.18MB、计算量更少14.93G vs. 20.53G MACs。3.3 时频域MambaCDTF-MambaCDTF-MambaCross-Domain Time-Frequency Mamba将时间序列在时域和频域中协同建模。其时域金字塔Mamba组件动态捕获多尺度模式和局部依赖而频域分解Mamba组件建模全局依赖并缓解非平稳性。在13个基准数据集上的实验证明CDTF-Mamba在线性计算复杂度O(L log L)下实现了SOTA精度。3.4 Mamba架构的生态扩张2026年还涌现了多个Mamba的增强版本· G-Mamba将图神经网络与Mamba结合用于多元时空预测· DualMamba基于patch的双Mamba架构用于长期时间序列预测· Mamba-Transformer混合架构探索两种范式的协同但初步实验表明简单堆叠会导致信息干扰问题四、面向长尾与稀疏数据的专用架构4.1 被忽视的行业痛点零售销量数据的长尾分布是长期被忽视的行业顽疾头部商品贡献大部分销量而大量尾部商品数据稀疏、预测困难。Wolff等人2025的研究发现现有模型在低量级和稀疏时间序列上系统性表现不佳原因包括损失函数的隐式偏倚、训练采样方法的偏差以及时间序列编码方式的局限。4.2 SPADE-S稀疏鲁棒预测架构SPADE-S通过重新设计上述三个环节显著减少了基于量级和稀疏性的系统性偏差。实证结果表明SPADE-S在多样化需求预测场景中优于现有SOTA方法。根据分位数预测和序列幅度的不同SPADE-S可将预测精度提升高达15%。在来自某大型在线零售商的三个独立数据集包含300万至7亿条序列上P90整体预测精度提升2.21%、6.58%、4.28%P50整体预测精度提升0.92%、0.77%、1.95%。关键洞察P90高分位数的提升远大于P50——SPADE-S在极端情况高波动、高不确定性下的优势更为明显而这正是库存决策最需要关注的场景。五、分层与概率预测从一致性到可扩展性5.1 分层预测的挑战零售和供应链运营依赖从单品到品类的多层级需求预测。这些预测应该是概率性的支持风险感知决策和一致的不同层级的决策基于协调的需求预测。然而生产一致的概率预测在计算上极其昂贵。5.2 e2eTD端到端概率分层预测e2eTD提出了一种快速且可扩展的方法。其核心创新在于直接预测仅占层级约0.3%的少量聚合序列——这些序列更平滑、更可预测。预测样本通过一种新颖的概率自上而下采样算法传播到底层所有层级的一致预测通过对底层样本求和获得。在两个最大的公开零售数据集M5和Favorita上e2eTD在所有聚合层级上取得了最低的加权缩放弹球损失M5竞赛的概率评分。在标准笔记本上e2eTD在M5约4万条序列上运行约5分钟在Favorita约30万条序列上运行约20分钟。5.3 PRISM分层多尺度方法PRISMPartitioned Representation for Iterative Sequence Modeling通过可学习的树形分区来应对多尺度预测的挑战。树根部的全局表示捕获信号的粗粒度趋势递归分割揭示越来越局部的信号视图。在每个层级数据被投影到时频基上以提取尺度特定特征然后在层级间聚合。这种设计使模型能够联合捕获信号的全局结构和局部动态。六、总结与展望6.1 技术演进的四个核心趋势技术方向 核心突破 代表工作 成熟度基础模型评估 揭示基础模型的真实能力边界 Hobor et al. (2026) ⭐⭐⭐⭐⭐双策略集成 激活基础模型的鲁棒性 Yang et al. (2025) ⭐⭐⭐⭐Mamba架构 线性复杂度长程建模多尺度 ms-Mamba、CDTF-Mamba ⭐⭐⭐⭐稀疏鲁棒预测 长尾商品精度提升15% SPADE-S (2025) ⭐⭐⭐⭐端到端分层概率预测 大规模层级的高效一致性 e2eTD (2026) ⭐⭐⭐⭐6.2 开放问题与未来方向架构选择应回归问题本质树模型在真实零售数据上仍表现优异不应盲目追求复杂架构长尾预测是真正的价值洼地SPADE-S揭示的15%精度提升空间意味着巨大的商业价值分层一致性与计算效率的平衡e2eTD展示了如何在保持一致性的同时大幅降低计算成本不确定性量化的实用化ProbFM等概率基础模型为风险感知决策提供了新工具基础模型的领域适配如何高效地将通用基础模型适配到特定零售场景仍是开放问题对从业者而言不必追求最前沿的技术而应追求最适合自身业务场景的技术。零售销量预测的特殊性——间歇性需求、大量缺失值、层级结构——要求我们在拥抱新架构的同时始终保持对问题本质的清醒认识。参考文献[1] Hobor, L., Brčić, M., Polutnik, L., Kapetanović, A. Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting. arXiv:2506.05941, 2026.[2] Yang, W., Cao, D., Liu, Y. Foundation Models for Demand Forecasting via Dual-Strategy Ensembling. In KDD 2025 Workshop on AI for Supply Chain, 2025.[3] Wolff, M., et al. SPADE-S: A Sparsity-Robust Foundational Forecaster. arXiv:2507.21155, 2025.[4] ms-mamba: Multi-scale mamba for time-series forecasting. Neurocomputing, 680, 2026.[5] Cross-domain time-frequency Mamba: A more effective model for long-term time series forecasting. Knowledge-Based Systems, 2026.[6] Zambon, L., et al. End-to-end probabilistic hierarchical forecasting of large hierarchies via probabilistic top-down. arXiv:2606.26774, 2026.[7] Chinta, A., et al. ProbFM: Probabilistic Time Series Foundation Model with Uncertainty Decomposition. arXiv:2601.10591, 2026.[8] Chen, Z., et al. PRISM: A hierarchical multiscale approach for time series forecasting. arXiv:2512.24898, 2025.[9] A comprehensive survey of deep learning for time series forecasting: architectural diversity and open challenges. Artificial Intelligence Review, 58, 2025.
销量预测是零售供应链优化的核心技术2025—2026年间该领域经历了从模型多样化到架构收敛的深刻变革。本文系统梳理了这一时期的学术进展重点分析四个关键方向1基础模型在真实零售场景中的评估与局限2以Mamba为核心的状态空间模型架构创新3面向长尾数据的稀疏鲁棒预测架构4分层概率预测的端到端方法。通过对各方向核心方法、实证结果与适用边界的分析本文为零售预测系统的技术选型提供参考框架。关键词销量预测、基础模型、Mamba、稀疏预测、分层预测、概率预测一、引言从“模型竞赛”到“架构收敛”2025—2026年销量预测领域的技术格局发生了显著变化。此前的几年里研究者不断推出新的深度学习架构——Transformer、CNN、MLP、GNN等各种变体层出不穷。但近期的研究发现在某些情况下简单的线性层甚至能超越复杂的Transformer。这一发现促使领域进入了架构多样化的新阶段混合模型、扩散模型、Mamba模型和基础模型共同构成了当前的技术前沿。与此同时零售销量预测的特殊性——间歇性需求、大量缺失值、频繁的商品更替——使得通用时间序列模型在真实场景中面临严峻挑战。研究者开始重新审视什么样的架构真正适合零售销量预测二、基础模型热潮之下的冷静评估2.1 基础模型的承诺与现实2025—2026年时序基础模型Time Series Foundation Models, TSFMs无疑是该领域最受关注的方向。TimeGPT-1、Moirai、Chronos、TimesFM等模型在零样本预测场景中展现出惊人的潜力。然而一项系统性研究提出了一个关键问题基础模型到底有多“基础” 研究发现微调后的基础模型在参数规模和内存占用大幅增加的情况下并不总能一致性地优于更小、更专注的专用模型。基础模型的架构僵化和分布变化下的鲁棒性不足是其核心局限。2.2 双策略集成激活基础模型的潜力为应对上述局限研究者提出了双策略集成框架· 层级集成Hierarchical Ensemble 按门店、品类、部门等语义层级分别训练与推理捕捉局部模式· 架构集成Architectural Ensemble 融合多种模型架构的预测结果减少偏差、提升稳定性在M5基准和三个外部销售数据集上的实验表明该框架一致性地超越了强基线。核心启示如果单一基础模型效果不理想集成可能是解锁其潜力的关键。2.3 概率基础模型不确定性量化的突破2026年ProbFM提出了首个基于深度证据回归Deep Evidential Regression的概率时序基础模型。其核心创新在于显式的认识论-偶然论不确定性分解epistemic-aleatoric decomposition——无需预设分布形式或采样推理即可通过单次前向传播获得最优不确定性表示。该工作已被AAAI 2026的时间序列分析研讨会接收为口头报告。2.4 零售场景的实证对比Hobor等人2026在真实零售数据上对比了统计基线、树模型集成XGBoost、LightGBM和深度学习架构N-BEATS、N-HiTS、Temporal Fusion Transformer。研究发现局部的树模型方法取得了最优性能XGBoost以4.833的RMSE在所有模型中表现最佳。即使在聚合设置下SAITS插值提升了神经网络性能这些模型仍不及集成方法。这一结论提示我们模型选择应优先匹配问题特征而非追求架构的复杂性。三、Mamba架构线性复杂度的新范式3.1 从Transformer到MambaTransformer的O(n²)计算复杂度在处理长序列时成为瓶颈。Mamba通过选择性状态空间模型Selective State Space Model实现了线性时间复杂度下的长程依赖建模。在时间序列预测领域S-Mamba等架构已取得SOTA结果。3.2 多尺度Mambams-Mamba2026年提出的ms-MambaMulti-scale Mamba针对时间序列的多尺度特性进行了专门设计。其核心创新在于使用多个具有不同采样率的Mamba块同时处理多个时间尺度。在Solar-Energy数据集上ms-Mamba在MSE指标上超越了其最接近的竞争者S-Mamba0.229 vs. 0.240同时参数更少3.53M vs. 4.77M、内存更少13.46MB vs. 18.18MB、计算量更少14.93G vs. 20.53G MACs。3.3 时频域MambaCDTF-MambaCDTF-MambaCross-Domain Time-Frequency Mamba将时间序列在时域和频域中协同建模。其时域金字塔Mamba组件动态捕获多尺度模式和局部依赖而频域分解Mamba组件建模全局依赖并缓解非平稳性。在13个基准数据集上的实验证明CDTF-Mamba在线性计算复杂度O(L log L)下实现了SOTA精度。3.4 Mamba架构的生态扩张2026年还涌现了多个Mamba的增强版本· G-Mamba将图神经网络与Mamba结合用于多元时空预测· DualMamba基于patch的双Mamba架构用于长期时间序列预测· Mamba-Transformer混合架构探索两种范式的协同但初步实验表明简单堆叠会导致信息干扰问题四、面向长尾与稀疏数据的专用架构4.1 被忽视的行业痛点零售销量数据的长尾分布是长期被忽视的行业顽疾头部商品贡献大部分销量而大量尾部商品数据稀疏、预测困难。Wolff等人2025的研究发现现有模型在低量级和稀疏时间序列上系统性表现不佳原因包括损失函数的隐式偏倚、训练采样方法的偏差以及时间序列编码方式的局限。4.2 SPADE-S稀疏鲁棒预测架构SPADE-S通过重新设计上述三个环节显著减少了基于量级和稀疏性的系统性偏差。实证结果表明SPADE-S在多样化需求预测场景中优于现有SOTA方法。根据分位数预测和序列幅度的不同SPADE-S可将预测精度提升高达15%。在来自某大型在线零售商的三个独立数据集包含300万至7亿条序列上P90整体预测精度提升2.21%、6.58%、4.28%P50整体预测精度提升0.92%、0.77%、1.95%。关键洞察P90高分位数的提升远大于P50——SPADE-S在极端情况高波动、高不确定性下的优势更为明显而这正是库存决策最需要关注的场景。五、分层与概率预测从一致性到可扩展性5.1 分层预测的挑战零售和供应链运营依赖从单品到品类的多层级需求预测。这些预测应该是概率性的支持风险感知决策和一致的不同层级的决策基于协调的需求预测。然而生产一致的概率预测在计算上极其昂贵。5.2 e2eTD端到端概率分层预测e2eTD提出了一种快速且可扩展的方法。其核心创新在于直接预测仅占层级约0.3%的少量聚合序列——这些序列更平滑、更可预测。预测样本通过一种新颖的概率自上而下采样算法传播到底层所有层级的一致预测通过对底层样本求和获得。在两个最大的公开零售数据集M5和Favorita上e2eTD在所有聚合层级上取得了最低的加权缩放弹球损失M5竞赛的概率评分。在标准笔记本上e2eTD在M5约4万条序列上运行约5分钟在Favorita约30万条序列上运行约20分钟。5.3 PRISM分层多尺度方法PRISMPartitioned Representation for Iterative Sequence Modeling通过可学习的树形分区来应对多尺度预测的挑战。树根部的全局表示捕获信号的粗粒度趋势递归分割揭示越来越局部的信号视图。在每个层级数据被投影到时频基上以提取尺度特定特征然后在层级间聚合。这种设计使模型能够联合捕获信号的全局结构和局部动态。六、总结与展望6.1 技术演进的四个核心趋势技术方向 核心突破 代表工作 成熟度基础模型评估 揭示基础模型的真实能力边界 Hobor et al. (2026) ⭐⭐⭐⭐⭐双策略集成 激活基础模型的鲁棒性 Yang et al. (2025) ⭐⭐⭐⭐Mamba架构 线性复杂度长程建模多尺度 ms-Mamba、CDTF-Mamba ⭐⭐⭐⭐稀疏鲁棒预测 长尾商品精度提升15% SPADE-S (2025) ⭐⭐⭐⭐端到端分层概率预测 大规模层级的高效一致性 e2eTD (2026) ⭐⭐⭐⭐6.2 开放问题与未来方向架构选择应回归问题本质树模型在真实零售数据上仍表现优异不应盲目追求复杂架构长尾预测是真正的价值洼地SPADE-S揭示的15%精度提升空间意味着巨大的商业价值分层一致性与计算效率的平衡e2eTD展示了如何在保持一致性的同时大幅降低计算成本不确定性量化的实用化ProbFM等概率基础模型为风险感知决策提供了新工具基础模型的领域适配如何高效地将通用基础模型适配到特定零售场景仍是开放问题对从业者而言不必追求最前沿的技术而应追求最适合自身业务场景的技术。零售销量预测的特殊性——间歇性需求、大量缺失值、层级结构——要求我们在拥抱新架构的同时始终保持对问题本质的清醒认识。参考文献[1] Hobor, L., Brčić, M., Polutnik, L., Kapetanović, A. Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting. arXiv:2506.05941, 2026.[2] Yang, W., Cao, D., Liu, Y. Foundation Models for Demand Forecasting via Dual-Strategy Ensembling. In KDD 2025 Workshop on AI for Supply Chain, 2025.[3] Wolff, M., et al. SPADE-S: A Sparsity-Robust Foundational Forecaster. arXiv:2507.21155, 2025.[4] ms-mamba: Multi-scale mamba for time-series forecasting. Neurocomputing, 680, 2026.[5] Cross-domain time-frequency Mamba: A more effective model for long-term time series forecasting. Knowledge-Based Systems, 2026.[6] Zambon, L., et al. End-to-end probabilistic hierarchical forecasting of large hierarchies via probabilistic top-down. arXiv:2606.26774, 2026.[7] Chinta, A., et al. ProbFM: Probabilistic Time Series Foundation Model with Uncertainty Decomposition. arXiv:2601.10591, 2026.[8] Chen, Z., et al. PRISM: A hierarchical multiscale approach for time series forecasting. arXiv:2512.24898, 2025.[9] A comprehensive survey of deep learning for time series forecasting: architectural diversity and open challenges. Artificial Intelligence Review, 58, 2025.
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
