💬 NLP

EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge

本文提出了 EventCast，这是一个模块化的电子商务需求预测框架，通过利用大语言模型（LLM）将非结构化的业务事件数据转化为可解释的文本摘要，并将其与历史时间序列特征融合，从而在应对促销和节假日等突发需求波动时，显著提升了预测的准确性与可解释性。

原作者： Congcong Hu, Yuang Shi, Fan Huang, Yang Xiang, Zhou Ye, Ming Jin, Shiyu Wang

发布于 2026-02-12

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Congcong Hu, Yuang Shi, Fan Huang, Yang Xiang, Zhou Ye, Ming Jin, Shiyu Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

1. 核心痛点：那个“不按套路出牌”的明天

想象你开了一家奶茶店。

常规情况（历史规律）： 你发现每天下午 3 点到 5 点生意最好，周六周日人最多。只要看一眼过去几周的账单，你就能大概猜到明天要准备多少珍珠和牛奶。这就是传统的“时间序列预测”。
突发状况（电商的“大招”）： 突然有一天，你家门口要举办一场大型音乐节；或者隔壁突然搞起了“买一送一”；再或者，因为天气预报说明天有暴雨，大家都不出门了。

这时候，光看“过去几周的账单”就彻底失灵了！ 传统的预测模型就像一个“只会看历史账单的会计”，他能告诉你规律，但面对突如其来的“惊喜”或“惊吓”时，他会一脸懵逼，导致你要么准备太多浪费了，要么准备太少断货了。

2. EventCast 的绝招：请了一位“懂行的情报员”

EventCast 的聪明之处在于，它不只是一个“会计”，它还请了一位**“懂行的情报员”**（也就是论文里说的 LLM，大语言模型）。

这个情报员的工作流程是这样的：

第一步：阅读“乱七八糟”的笔记（非结构化数据处理）

电商公司里有很多关于未来活动的记录，但这些记录通常非常乱。比如员工随手记下的：“下周三有个‘超级周三’活动，买二送一，但仅限电子产品，且物流可能因为节假日稍微慢点。”
传统的电脑程序看到这种话会“死机”，因为它看不懂这种非标准的句子。但 EventCast 的情报员（LLM） 读得飞快，它能从这些乱七八糟的文字里提取出关键信息：“哦，下周三有促销，需求会暴涨，但物流会变慢。”

第二步：把“情报”翻译成“数字信号”（特征对齐）

情报员说的话是文字，而会计算账用的是数字。EventCast 有个神奇的“翻译官”，把情报员总结的“促销、节日、物流变动”这些语义信息，转化成一种特殊的“数字信号”。

第三步：双塔合体（双塔架构）

现在，EventCast 面前有两张表：

左手（历史塔）： 拿着过去几个月的销量数据（告诉你“规律”）。
右手（情报塔）： 拿着情报员总结的未来活动信息（告诉你“变数”）。

最后，它把这两者结合起来，得出一个最终结论：“根据历史规律，明天应该卖 100 杯；但考虑到明天是情人节且有买一送一活动，情报员提醒会有大爆发，所以我们要准备 250 杯！”

3. 为什么它这么厉害？（论文的亮点）

它不“死脑筋”： 很多模型试图让 AI 直接去算数字，但 AI 算数其实并不精准。EventCast 让 AI 只负责“理解逻辑和常识”（比如它知道斋月期间大家会买更多食物），而把具体的“算数”交给专业的数学模型。这叫**“术业有专攻”**。
它“懂常识”： 比如它知道某个国家的宗教节日意味着什么，不需要你手动去写复杂的规则，它自带“世界知识”。
它“抗干扰”： 即使员工写的活动计划里有错别字、缩写或者格式乱七八糟，它也能通过理解意思来搞定，不会因为一个错别字就罢工。

4. 总结

如果说传统的预测模型是一个**“只会看后视镜开车”的司机，那么 EventCast 就是一个“既看后视镜，又盯着前方导航和天气预报”**的高级司机。

它在实际应用中表现极其出色：在遇到促销活动和节日这些“大变动”时期，它的预测准确度比之前的顶尖模型提升了非常多，真正做到了**“预知未来”**。

这是一篇关于名为 EventCast 的工业级电商需求预测框架的研究论文。该研究由字节跳动、新加坡国立大学和格里菲斯大学的研究人员共同完成。

以下是对该论文的详细技术总结：

1. 问题背景与挑战 (Problem Statement)

在电子商务领域，准确的需求预测对于库存管理、仓储调度和订单履约至关重要。然而，传统的预测模型在面对高影响时期（如闪购、节日促销、政策干预）时往往表现不佳，主要面临以下三个挑战：

非平稳且事件驱动的需求模式：促销活动和宗教/公共节日会导致需求量出现剧烈的、非周期性的突增或骤降，仅靠历史时间序列数据无法预测。
非结构化知识提取困难：平台虽然拥有未来的促销计划，但这些信息通常记录在非结构化的文本（如运营数据库、活动报告）中，包含拼写错误、缩写和复杂的业务逻辑，传统的特征工程（如 One-hot 编码）难以捕捉其深层语义。
缺乏可解释性：传统的“黑盒”模型无法解释为何预测值在特定日期发生剧变，这使得运营人员难以信任预测结果并进行根因分析。

2. 核心方法论 (Methodology)

EventCast 提出了一种解耦语义推理与数值预测的混合预测框架。其核心思想是：不直接让大语言模型 (LLM) 做数值预测，而是利用 LLM 作为“领域专家”进行事件推理。

架构组成：

该框架采用双塔架构 (Dual-tower Architecture)，分为两个主要分支：

历史特征塔 (Historical Tower)：
- 利用 Transformer 编码器处理历史多变量时间序列特征（如历史 GMV、订单量等）。
- 通过多头自注意力机制捕捉变量间的时空依赖关系。
未来事件知识塔 (Future Event Knowledge Tower)：
- 事件专家数据库：利用现有的非结构化业务数据库（包含促销日历、节日安排、激励规则等）。
- LLM 事件推理：设计参数化提示词 (Prompt)，引导冻结的 LLM 对目标日期进行推理。LLM 利用其预训练的世界知识（如宗教节日的文化含义）和数据库信息，生成结构化的文本摘要（例如：“周三；非免运费；处于一级促销期”）。
- 特征对齐与融合：将 LLM 生成的文本摘要转化为可学习的 Embedding，并通过线性映射与历史特征的 Embedding 进行对齐与融合。

预测输出：

模型最终将预测分解为两个可解释的部分：
$\hat{y} = \lambda \cdot \hat{y}_{\text{trend}} + (1 - \lambda) \cdot \hat{y}_{\text{event}}$

$\hat{y}_{\text{trend}}$ ：基于历史趋势的基准预测。
$\hat{y}_{\text{event}}$ ：基于未来事件驱动的调整量。
这种设计确保了模型既能捕捉长期趋势，又能对突发事件做出精准响应。

3. 主要贡献 (Key Contributions)

创新的解耦设计：不同于 Time-LLM 等直接将时间序列转化为文本或使用 LLM Embedding 的方法，EventCast 仅利用 LLM 的文本输出进行推理。这使得系统更轻量、更易于维护，且避免了 LLM 在数值计算上的精度缺陷。
强大的语义推理能力：通过 LLM 能够处理非结构化数据中的模糊性（如缩写、拼写错误）并结合文化常识（如斋月期间的消费习惯），实现了比规则引擎更丰富的特征表达。
高可解释性：通过生成的文本摘要，运营人员可以直接看到预测变化的逻辑依据，实现了“预测+解释”的闭环。
工业级落地：该模型已在涵盖 4 个国家、160 个地区的真实电商场景中部署，证明了其在大规模生产环境中的实用性。

4. 实验结果 (Results)

实验在 10 个月的真实电商数据上进行，对比了包括 PatchTST、iTransformer 以及基于 LLM 的 ChronosX 等先进模型。

整体表现：EventCast 在整体预测指标上优于所有基准模型。
事件驱动期表现（核心优势）：在促销和节日期间，EventCast 的表现提升最为显著。相比于最强的基准模型 ChronosX，其 MAE（平均绝对误差）降低了 57.0%，MSE（均方误差）降低了 83.3%。
消融实验：实验证明，加入“未来事件知识”能显著提升长预测周期（T+4）的准确度，因为长周期的不确定性更依赖于对未来已知干预的理解。
LLM 的角色验证：实验证实，将 LLM 作为符号推理引擎（Reasoning Engine）的效果远好于将其作为直接预测器（Forecaster）。

5. 研究意义 (Significance)

EventCast 的研究为工业级时间序列预测提供了一个新的范式：即“专业模型做数值计算 + 大模型做语义推理”的混合模式。 它解决了 LLM 在处理高精度数值序列时的短板，同时发挥了 LLM 在理解复杂业务逻辑和非结构化知识方面的长处。这种方法不仅提升了预测精度，更通过可解释性增强了 AI 在供应链决策中的信任度，具有极高的商业应用价值。