🤖 machine learning

CEDAR: Controlled and Event-Driven Demand Forecasting via Residual Decomposition

CEDAR 是一个两阶段框架，通过结合用于模拟策略驱动状态转移的动作交织 Transformer（Action-Interleaved Transformer）与利用大语言模型（LLM）和事件信号来解决被动时间序列模型局限性的残差修正模块（Residual Correction Module），增强了用于电子商务规划的需求预测，从而实现稳健的反事实分析并改进预算规划。

原作者： Junjie Meng, Ranxu Zhang, Zi-an Zhang, Shujun Liu, Xiaoning Qi, Xiaozhou Xu, Yanyong Zhang, Hui Xiong, Chao Wang

发布于 2026-08-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Junjie Meng, Ranxu Zhang, Zi-an Zhang, Shujun Liu, Xiaoning Qi, Xiaozhou Xu, Yanyong Zhang, Hui Xiong, Chao 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

在现代电子商务这个庞大且繁忙的数字市场中，一个基本问题长期以来一直困扰着规划者：我们如何知道接下来会发生什么？几十年来，标准的答案依赖于一种被动的预测形式。计算机通过研究过去，观察销售额如何随价格、节假日和广告的变化而波动，然后仅仅将这些曲线向前延伸。这是一种外推法，假设未来与过去非常相似，只是略有偏移。当世界处于稳定状态，商人仅仅是对趋势做出反应时，这种方法运作得还算不错。但在全球贸易这个动态且高风险的环境中，商人并非被动的观察者，而是主动的驱动者。他们不断改变策略，调整预算、发起促销并改变价格，从而在需求发生之前就对其进行重塑。传统的预测方式将这些人为决策视为单纯的背景噪音，这种方式开始失效。它无法回答商业领导者最需要问的核心问题：“如果我今天改变计划，明天的市场会是什么样子？”

这正是来自中国科学技术大学和阿里巴巴集团的研究团队致力于解决的挑战。他们意识到，要预测市场的未来，必须停止将未来视为一个固定的终点，而应将其视为一条可以被引导的路径。他们的研究成果在一次重要的数据科学会议上发表，介绍了一个名为 CEDAR 的新系统。与仅仅观察历史演变的传统模型不同，CEDAR 旨在模拟如果商人采取特定行动会发生什么。它不仅仅是猜测下一个数字，而是计算一种选择的结果。通过将市场的自然流向与人类干预的具体影响区分开来，并考虑到突然且不可预测的外部事件，研究人员创建了一个能够可靠测试不同预算策略的工具，而无需在实际投入一分钱之前进行尝试。

这种新方法的核心在于一个模仿商人实际思考和行动方式的双部分架构。第一部分是一个专门的引擎，用于学习决策与其直接结果之间的联系。在过去，模型会将商人的行为（如折扣或广告支出）与销售数据混合在一起，将其视为一个单一且混乱的信息流。这会导致模型产生混淆，经常误认为销售高峰是由自然趋势引起的，而实际上它是特定促销活动的结果。然而，新系统将商人的行动视为一种独特的、主要的驱动力。它学习了一种特定的模式，即过去的某种状态导致了决策，而该决策直接驱动了下一个状态。这使得系统能够理解，如果商人停止广告支出，即使整体市场趋势正在上升，销售额也可能会下降。它学习的是因果关系的机制，而非仅仅是事件的相关性。

系统的第二部分解决了现实世界的混沌问题。即使对商人行为如何影响销售有了完美的理解，未来也并非完全可预测。突发的新闻事件、病毒式社交媒体趋势或意外的节假日，都可能导致需求以与商人预算无关的方式激增或暴跌。为了处理这种情况，研究人员添加了一个作为微调机制的修正模块。该模块观察外部信号，如新闻标题和热门搜索话题，并利用先进的语言处理技术来理解其含义。随后，它计算第一部分系统预测值与实际发生情况之间的差异，并将该差异归因于这些外部冲击。通过这样做，系统可以修正自身的预测，增加一层能够解释世界不可预测性的现实感。

研究人员在阿里巴巴 1688 平台的庞大数据集上测试了这一系统，该数据集包含了约 3200 万种产品的销售轨迹及其随时间变化的数据。他们将这种新方法与几种最强大的现有预测模型进行了对比。结果清晰且一致。在要求系统预测在新且未见的预算计划下的销售情况的模拟实验中，传统模型表现挣扎。它们倾向于固守历史模式，在商人策略发生变化时无法做出反应。相比之下，新系统准确地遵循了新的路径，正确预测了销售额如何响应特定的干预措施而上升或下降。当预测周期延长至十周时，新系统比表现最好的传统模型将误差率降低了一半以上。它在长期规划方面表现得尤为出色，因为在长期规划中，微小的预测误差可能会累积成巨大的失误。

为了确保这不仅仅是一项理论练习，团队在阿里巴巴 1688 平台的真实环境中部署了该系统。他们进行了一项大规模测试，涉及数百名使用该系统规划广告预算的商家。使用这一新模拟工具的商家在业务成果上取得了显著提升。平均而言，他们的投资回报率（ROI）增加了 15%，整体终身价值（LTV）增长了 13%。这些收益来自于更有效地分配资金的能力，即避免在无效的活动上投入资金，并加倍投入那些通过模拟显示会成功的策略。该系统让他们能够在做出选择之前看到其后果，将规划过程从一场概率游戏转变为一种精算的策略。

这项工作的成功表明，我们对复杂系统的预测思维正在发生转变。它将焦点从单纯观察过去，转向理解控制未来的杠杆。通过明确建模人类决策与市场结果之间的关系，并将这些决策与外部事件的噪音区分开来，研究人员构建了一个既更准确又更有用的工具。它证明了在一个行动不断重塑现实的世界里，预测未来的最佳方式是理解我们的选择将如何构建未来。这些发现为企业应对不确定性提供了一条新路径，提供了一种在将真实资源投入动荡的市场之前，在安全的模拟环境中测试策略的方法。

技术摘要：CEDAR

问题陈述

在规模庞大的电子商务市场中，时间序列预测（TSF）对于库存规划、定价和营销优化至关重要。然而，目前的预测方法主要是被动式的，旨在对观测到的策略下的历史趋势进行外推。它们无法解决商家核心的需求：决策条件化模拟（decision-conditioned simulation）。商家需要进行“假设分析”（what-if analysis），以评估在特定计划干预序列（例如：预算进度表、折扣策略）下的未来销售轨迹，而这些序列可能与历史数据显著不同。

现有的多元时间序列预测模型通常将商家行为（如广告支出、折扣）视为与状态变量拼接的辅助协变量。这种设计存在两个主要局限性：

自回归惯性（Autoregressive Inertia）： 模型捕捉的是状态与动作联合分布中的统计相关性，而非学习显式的因果转移机制。因此，它们无法响应反事实的动作进度表，导致对策略不敏感的推演结果。
动力学混淆（Conflation of Dynamics）： 这些模型将内生性的市场演变与决策诱导的转移过程混淆在一起，且未能将动作效应与非平稳的外生冲击（如病毒式趋势、节假日）分离。这导致了不可靠的反事实分析和错误的预算规划。

方法论：CEDAR

作者提出了 CEDR（通过动作感知残差分解实现的受控及事件驱动需求预测），这是一个旨在稳健模拟计划干预下需求的两阶段框架。该框架在包含 3200 万条产品轨迹（具有配对的状态-动作序列和对齐的事件信号）的大规模阿里巴巴 1688 数据集上进行训练。

第一阶段：动作交织 Transformer (Action-Interleaved Transformer, AIT)

第一阶段侧重于学习可控的动作条件化状态转移。

架构： CEDAR 不再将动作视为外生特征，而是将状态 ( $s_t$ ) 和动作 ( $a_t$ ) 作为统一因果序列中的交织 Token 进行建模： $s_{t-1} \to a_t \to s_t$ 。
机制： 动作交织 Transformer (AIT) 处理这一序列。通过强制执行这种特定的因果顺序，模型学习了一个显式的转移算子 $s_{t+1} = f(s_t, a_{t+1})$ ，该算子捕捉了干预如何驱动随后的状态变化。
目标： 通过将可控动力学与被动相关性解耦，实现对新型干预策略下的稳定多步推演。

第二阶段：残差修正模块 (Residual Correction Module)

第二阶段解决了外生解耦问题，即修正 AIT 仅凭状态-动作历史无法预测的非平向外部因素。

信号构建： 该模块利用大语言模型（LLM）从非结构化外部信号中提取结构化表示。它处理前一周的新闻以及当前的节假日/季节性事件，以生成捕捉外部影响语义上下文的“热点嵌入”（hotspot embeddings, $h_t$ ）。
修正机制： 交叉注意力机制将这些外部事件嵌入与特定商品的时序模式（产品元数据和近期状态）进行对齐。随后，一个多层感知机（MLP）用于预测模拟轨迹与实际观测值之间的残差 ( $\Delta s_{t+1}$ )。
最终输出： 最终预测是第一阶段的基础预测与残差修正之和： $\tilde{s}_{t+1} = \hat{s}_{t+1} + \Delta s_{t+1}$ 。

训练策略

CEDAR 采用了解耦的两阶段训练范式。首先训练第一阶段以学习稳定的转移动力学；随后训练第二阶段以学习残差修正。这种分离确保了转移算子在策略变化下保持稳健，同时使修正模块能够灵活适应波动的市场状况。

核心贡献

问题重构： 本文将面向商家的销售预测重新定义为一个决策条件化模拟问题，强调了被动式 TSF 在面对序列干预时的不足。
新颖框架： CEDAR 引入了一个两阶段、动作感知的框架，该框架：
- 通过动作交织 Transformer 学习显式的动作条件化转移。
- 利用增强型 LLM 文本理解的事件驱动残差模块来修正外生、非平稳的偏差。
实证验证： 该方法在海量工业数据集（3200 万条轨迹）上进行了验证，并通过生产环境中的在线 A/B 测试进行了验证。

实验结果

作者在 E-Com 15-Week 数据集和 Kaggle 公开的 Store Sales 数据集上将 CEDAR 与最先进的基准模型（Informer, PatchTST, PETFormer, Timer-XL）进行了对比评估。

离线性能： CEDAR 在均方误差 (MSE)、平均绝对误差 (MAE) 和归一化均方误差 (NMSE) 方面一致优于所有基准模型。
- 在“预测未来 5 步”的设置下，CEDAR 的 MSE 为 0.182，显著优于最强的基准模型 PatchTST (0.424) 和 PETFormer (0.434)，相对提升分别达到了 57.1% 和 58.1%。
- 在“预测未来 10 步”的设置下，CEDAR 将 MSE 降低至 0.414，而像 Informer 这样的基准模型则出现了严重的性能退化（MSE > 30）。
消融实验：
- 去除动作交织设计（使用单阶段联合训练）会导致 MSE 上升，证实了显式动作条件化建模的必要性。
- 去除残差修正模块或打乱时间事件信号会降低性能，尤其是在捕捉爆发性需求波动（MAE）方面。
在线 A/B 测试： 在阿里巴巴 1688 上部署 30 天，涉及 239 名商家。
- 与使用扩散模型基准的对照组相比，实验组（使用 CEDAR）实现了 13% 的终身价值 (LTV) 增长（46,471 vs 41,228）以及 15% 的投资回报率 (ROI) 提升。
- 该系统促成了 877 万人民币的交易额，且复购率为 61%。

意义与主张

本文声称 CEDAR 为高度非平稳电子商务环境下的决策感知预测提供了原则性的基础。通过显式地将内生市场动力学与潜在外部冲击解耦，并将商家行为视为一等公民（first-class modalities），该框架实现了可靠的“假设分析”。

作者强调，他们的工作超越了基于相关性的被动外推，转向了受控模拟，允许商家主动优化预算进度表和营销策略。成功的在线部署证明，决策条件化模拟在大规模应用中能带来切实的业务价值，减少无效的广告支出，并使预算分配与真实市场需求更加匹配。论文总结指出，显式的动作条件化建模和外部冲击解耦对于干预驱动型系统的稳健规划至关重要。