京东零售推出首个自研十亿级时序大模型TimeHF 可预测商品销量
发布时间：2025-04-10 09:06:37 | 责任编辑：字母汇 | 浏览量：15 次
京东零售技术团队宣布成功推出首个自研的十亿级销量预测时序大模型——TimeHF。该模型基于人类反馈的强化学习技术（RLHF），首次将其应用于销量预测领域，预测准确度大幅提升10%以上，显著降低了需求端预测的不确定性。这一成果不仅在京东内部的2万种商品自动化补货场景中取得了卓越表现，还在多个公开数据集上超越了行业现有水平，成为时间序列预测领域的最新标杆。
京东供应链算法团队在技术探索中发现，传统的时间序列预测方法，如ARIMA、Prophet以及早期的深度学习模型LSTM、TCN等，在面对复杂模式捕捉和零样本泛化能力方面存在明显不足。而现有的时序大模型在数据集质量和RLHF方案上也面临诸多挑战。为此，京东团队从数据集构建、模型设计和训练方案三个方面进行了创新。
在数据集构建方面，京东团队整合了京东自营销量时序数据、公开数据集和合成数据，通过质量过滤、去重、多样性排序和数据配比等手段，构建了一个包含15亿样本的大规模高质量复杂数据集。这一数据集的规模和质量在时序领域前所未有，为模型训练提供了坚实基础。
模型设计上，京东提出了PCTLM（Patch Convolutional Timeseries Large Model）模型。该模型采用基于Patch的方法，通过掩码编码器架构对时间序列进行建模，并引入时间位置编码的分组注意力机制，有效捕捉跨Patch间的信息，提升了模型对复杂时空关联的捕捉能力。
在训练方案上，京东首次提出了适用于纯时序大模型的强化学习框架TPO（Timeseries Policy Optimization）。该框架针对时序大模型的特点，解决了传统RLHF框架无法直接应用于时序场景的问题，通过增加预测概率化组件、设计优势函数和时序损失等创新手段，显著提升了模型的预测性能。
经过一系列创新，TimeHF在多个公开数据集上取得了SOTA（State of the Art）的效果，相较于当前领先的时序深度学习方法和微调大模型，展现出更强的零样本性能和预测准确性。目前，该模型已在京东供应链系统部署上线，为2万个SKU提供自动化补货预测，预测准确率大幅提升。
京东零售集团供应链团队将于4月19日举办线上分享会，详细解读TimeHF的技术细节，包括如何构建高质量、多样化的大规模时间序列数据集以及面向时序大模型的RLHF方案。这一成果不仅为京东自身的供应链管理带来了革新，也为整个行业提供了宝贵的技术参考和实践范例。
京东零售推出的首个自研十亿级时序大模型 TimeHF 是一项重要的技术创新，旨在提升商品销量预测的准确性和效率。以下是关于该模型的关键信息及其在零售行业的应用价值：
1. TimeHF 的核心特点
- 十亿级参数规模：TimeHF 是一个大规模时序预测模型，具备更强的数据拟合能力和泛化性能，能够处理复杂的零售销售数据模式。
- 时序预测能力：专注于时间序列分析，可捕捉销售数据的长期趋势、季节性波动和短期变化，提高预测精度。
- 自研技术：由京东零售自主研发，可能结合了深度学习（如GRU、LSTM）和传统时序模型（如ARIMA）的优势，以优化预测效果。
2. 在零售销量预测中的应用
- 精准库存管理：通过预测未来销量，优化库存水平，减少滞销和缺货问题。
- 促销与定价策略：结合价格弹性分析，预测不同促销策略对销量的影响，辅助制定最优定价方案。
- 供应链优化：提前预判需求变化，优化采购、仓储和物流调度，降低运营成本。
3. 与传统时序模型的对比
- 传统方法（如ARIMA、指数平滑）依赖历史数据的线性模式，难以处理复杂非线性关系。
- TimeHF 可能采用更先进的神经网络架构（如Transformer或混合模型），能更好地学习长期依赖关系，适应多变的销售环境。
4. 行业影响与未来展望
- 提升零售智能化：TimeHF 的推出标志着零售行业在AI驱动的销量预测领域迈入新阶段，可能成为行业标杆。
- 扩展应用场景：除销量预测外，未来可能应用于用户行为分析、市场趋势预测等领域。
京东零售通过TimeHF大模型，展现了其在AI+零售领域的领先地位，预计将进一步推动数据驱动的精细化运营。
本网站(https://aigc.izzi.cn)刊载的所有内容，包括文字、图片、音频、视频等均在网上搜集。
访问者可将本网站提供的内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯本网站及相关权利人的合法权利。除此以外，将本网站任何内容或服务用于其他用途时，须征得本网站及相关权利人的书面许可，并支付报酬。
本网站内容原作者如不愿意在本网站刊登内容，请及时通知本站，予以删除。
上一篇： 人工智能如何助力内容创作？
