arXiv:2511.12749v1 Announce Type: new 
Abstract: Intermittent demand forecasting poses unique challenges due to sparse observations, cold-start items, and obsolescence. Classical models such as Croston, SBA, and the Teunter-Syntetos-Babai (TSB) method provide simple heuristics but lack a principled generative foundation. Deep learning models address these limitations but often require large datasets and sacrifice interpretability.
  We introduce TSB-HB, a hierarchical Bayesian extension of TSB. Demand occurrence is modeled with a Beta-Binomial distribution, while nonzero demand sizes follow a Log-Normal distribution. Crucially, hierarchical priors enable partial pooling across items, stabilizing estimates for sparse or cold-start series while preserving heterogeneity. This framework yields a fully generative and interpretable model that generalizes classical exponential smoothing.
  On the UCI Online Retail dataset, TSB-HB achieves lower RMSE and RMSSE than Croston, SBA, TSB, ADIDA, IMAPA, ARIMA and Theta, and on a subset of the M5 dataset it outperforms all classical baselines we evaluate. The model provides calibrated probabilistic forecasts and improved accuracy on intermittent and lumpy items by combining a generative formulation with hierarchical shrinkage, while remaining interpretable and scalable.

نموذج TSB-HB هو امتداد بايزي هرمي لنموذج TSB مصمم لتوقع الطلب المتقطع. يتناول التحديات مثل الملاحظات النادرة والعناصر التي تبدأ من الصفر، والتي تواجه نماذج تقليدية مثل كروستون وSBA صعوبة في التعامل معها. يستخدم TSB-HB توزيع بيتا-ثنائي لتوقع حدوث الطلب، بينما تتبع أحجام الطلب غير الصفرية توزيع لوغاريتمي طبيعي. يسمح هذا النموذج بتجميع جزئي عبر العناصر، مما يعزز استقرار التقديرات للسلاسل النادرة مع الحفاظ على التباين. في الاختبارات على مجموعة بيانات UCI Online Retail، تفوق TSB-HB على عدة نماذج تقليدية من حيث RMSE وRMSSE.

El modelo TSB-HB es una extensión bayesiana jerárquica del modelo TSB, diseñado para la previsión de la demanda intermitente. Aborda desafíos como las observaciones escasas y los artículos de inicio en frío, con los que los modelos tradicionales como Croston y SBA tienen dificultades. TSB-HB emplea una distribución beta-binomial para la ocurrencia de la demanda y una distribución log-normal para los tamaños de demanda no nulos. Este modelo permite un agrupamiento parcial entre artículos, mejorando la estabilidad de las estimaciones para series escasas mientras mantiene la heterogeneidad. En pr…

Le modèle TSB-HB est une extension bayésienne hiérarchique du modèle TSB, conçu pour la prévision de la demande intermittente. Il aborde des défis tels que les observations rares et les articles en démarrage à froid, avec lesquels les modèles traditionnels comme Croston et SBA ont du mal. TSB-HB utilise une distribution bêta-binomiale pour l'occurrence de la demande et une distribution log-normale pour les tailles de demande non nulles. Ce modèle permet un regroupement partiel entre les articles, améliorant la stabilité des estimations pour les séries rares tout en maintenant l'hétérogénéité. …

The TSB-HB model is a hierarchical Bayesian extension of the TSB model designed for intermittent demand forecasting. It addresses challenges such as sparse observations and cold-start items, which traditional models like Croston and SBA struggle with. TSB-HB employs a Beta-Binomial distribution for demand occurrence and a Log-Normal distribution for nonzero demand sizes. This model allows for partial pooling across items, enhancing estimate stability for sparse series while maintaining heterogeneity. In tests on the UCI Online Retail dataset, TSB-HB outperformed several classical models in ter…

TSB-HB: A Hierarchical Bayesian Extension of the TSB Model for Intermittent Demand Forecasting

arXiv:2511.19090v1 Announce Type: new 
Abstract: The advent of financial technology has witnessed a surge in the utilization of deep learning models to anticipate consumer conduct, a trend that has demonstrated considerable potential in enhancing lending strategies and bolstering market efficiency. We study multi-horizon demand forecasting on e-commerce transactions using the UCI Online Retail II dataset. Unlike prior versions of this manuscript that mixed financial-loan narratives with retail data, we focus exclusively on retail market behavior and define a clear prediction target: per SKU daily demand (or revenue) for horizons H=1,7,14. We present a hybrid sequence model that combines multi-scale temporal convolutions, a gated recurrent module, and time-aware self-attention. The model is trained with standard regression losses and evaluated under MAE, RMSE, sMAPE, MASE, and Theil's U_2 with strict time-based splits to prevent leakage. We benchmark against ARIMA/Prophet, LSTM/GRU, LightGBM, and state-of-the-art Transformer forecasters (TFT, Informer, Autoformer, N-BEATS). Results show consistent accuracy gains and improved robustness on peak/holiday periods. We further provide ablations and statistical significance tests to ensure the reliability of improvements, and we release implementation details to facilitate reproducibility.

تبرز الدراسة الأخيرة حول تحسين نماذج التعلم العميق لتوقع سلوك السوق الديناميكي فعالية نموذج تسلسلي هجين في توقع معاملات التجارة الإلكترونية. يستخدم هذا النموذج التلافيف الزمنية متعددة المقاييس، ووحدات متكررة ذات بوابات، والانتباه الذاتي الزمني لتوقع الطلب اليومي بدقة على SKU فردية عبر عدة آفاق. تستند الأبحاث إلى مجموعة بيانات UCI Online Retail II وتستخدم مقاييس تقييم صارمة لضمان الموثوقية.

El reciente estudio sobre la optimización de modelos de aprendizaje profundo para predecir el comportamiento dinámico del mercado destaca la efectividad de un modelo secuencial híbrido en la previsión de transacciones de comercio electrónico. Este modelo utiliza convoluciones temporales de múltiples escalas, módulos recurrentes con puertas y atención auto-consciente para predecir con precisión la demanda diaria de SKU individuales en múltiples horizontes. La investigación se basa en el conjunto de datos UCI Online Retail II y emplea métricas de evaluación rigurosas para garantizar la fiabilida…

La récente étude sur l'optimisation des modèles d'apprentissage profond pour prédire le comportement dynamique du marché met en évidence l'efficacité d'un modèle séquentiel hybride dans la prévision des transactions de commerce électronique. Ce modèle utilise des convolutions temporelles multi-échelles, des modules récurrents à portes et une attention auto-consciente pour prédire avec précision la demande quotidienne pour des SKU individuels sur plusieurs horizons. La recherche est basée sur le jeu de données UCI Online Retail II et utilise des métriques d'évaluation rigoureuses pour garantir …

The recent study on the optimization of deep learning models for predicting dynamic market behavior highlights the effectiveness of a hybrid sequence model in forecasting e-commerce transactions. This model utilizes multi-scale temporal convolutions, gated recurrent modules, and time-aware self-attention to accurately predict daily demand for individual SKUs over multiple horizons. The research is based on the UCI Online Retail II dataset and employs rigorous evaluation metrics to ensure reliability.

Optimization of Deep Learning Models for Dynamic Market Behavior Prediction

arXiv:2511.19267v1 Announce Type: new 
Abstract: This work evaluates the effectiveness of spatiotemporal Graph Neural Networks (GNNs) for multi-store retail sales forecasting and compares their performance against ARIMA, LSTM, and XGBoost baselines. Using weekly sales data from 45 Walmart stores, we construct a relational forecasting framework that models inter-store dependencies through a learned adaptive graph. The proposed STGNN predicts log-differenced sales and reconstructs final values through a residual path, enabling stable training and improved generalisation. Experiments show that STGNN achieves the lowest overall forecasting error, outperforming all baselines in Normalised Total Absolute Error, P90 MAPE, and variance of MAPE across stores. Analysis of the learned adjacency matrix reveals meaningful functional store clusters and high-influence nodes that emerge without geographic metadata. These results demonstrate that relational structure significantly improves forecast quality in interconnected retail environments and establishes STGNNs as a robust modelling choice for multi-store demand prediction.

أظهرت دراسة حديثة فعالية الشبكات العصبية الرسومية الزمانية المكانية (GNN) في توقع مبيعات المتاجر المتعددة، باستخدام بيانات من 45 موقعًا لمتاجر وول مارت. تبرز الأبحاث قدرة STGNN على نمذجة الاعتماديات بين المتاجر وتحقيق أخطاء توقع أقل مقارنة بالطرق التقليدية مثل ARIMA وLSTM وXGBoost.

Un estudio reciente ha demostrado la efectividad de las Redes Neuronales Gráficas Espaciotemporales (GNN) en la previsión de ventas en múltiples tiendas, utilizando datos de 45 ubicaciones de Walmart. La investigación destaca la capacidad del STGNN para modelar las dependencias entre tiendas y lograr errores de previsión más bajos en comparación con métodos tradicionales como ARIMA, LSTM y XGBoost.

Une étude récente a démontré l'efficacité des réseaux de neurones graphiques spatiotemporels (GNN) dans la prévision des ventes au détail multi-magasins, en utilisant des données de 45 magasins Walmart. La recherche met en évidence la capacité du STGNN à modéliser les dépendances entre magasins et à atteindre des erreurs de prévision plus faibles par rapport aux méthodes traditionnelles telles qu'ARIMA, LSTM et XGBoost.

A recent study has demonstrated the effectiveness of spatiotemporal Graph Neural Networks (GNNs) in forecasting multi-store retail sales, specifically using data from 45 Walmart locations. The research highlights the STGNN's ability to model inter-store dependencies and achieve lower forecasting errors compared to traditional methods like ARIMA, LSTM, and XGBoost.

TSB-HB: A Hierarchical Bayesian Extension of the TSB Model for Intermittent Demand Forecasting

Was this article worth reading? Share it

Graphite Note

Forthcast

Trenz