京东TimeHF 2.0把区域销量、结构化条件与业务描述放进同一次预测:全国日销量精度较原生产基线提升18.25%
核心概要
京东供应链技术团队发布TimeHF 2.0,把全国与配送中心销量历史、结构化协变量和用户用自然语言写下的活动计划放进同一个预测过程,同时输出每日销量与采购、补货窗口的累计量。在线并行评估覆盖20万个SKU,相对原生产深度学习基线,全国日销量与规划窗口精度分别提升18.25%和17.94%,配送中心对应为19.44%和18.99%。
深度剖析
零售供应链的预测不再只按单品历史外推,而是把全国轨迹、配送中心轨迹、可用协变量和业务人员写下的计划一起作为条件,同时给出每日销量和规划窗口累计量。 此前的TimeHF 1.0通过时间建模与人工反馈优化支持单品级规划,把历史序列映射为未来销量;协调采购与区域库存、补货还需要联合且带上下文的预测。 在京东20万个SKU、2026年1月至9月的在线并行评估中,TimeHF 2.0相对原生产深度学习基线的全国日销量与规划窗口精度提升为18.25%和17.94%,TimeHF 1.0对应为13.84%和13.27%。
模型先为每个销量目标编码历史与协变量,再让语言模型对业务描述的表征去查询该目标的数值记忆,使一句活动安排落到具体产品和日期上。 语言模型表征与数值证据通过语义对齐模块连接,而不是把文本当作额外特征直接拼接。 编码器在时间轴与变量轴上分别做注意力,区域分支读取全国和同产品其他配送中心的销量,协变量分支读取活动排期与已发布的天气预报;解码器用文本条件化的未来查询和共享加路由专家输出有序分箱上的销量分布。
训练同时约束每日分布与规划窗口累计量,使日预测的偏差不会悄悄累积成错误的补货数量。 仅用连续回归头时,全国规划窗口提升为MSE 15.02%、MAE 15.86%、Huber 16.34%,配送中心为17.34%、17.75%、17.99%。 有序分箱头配合交叉熵与排序概率分数把全国和配送中心提升到17.12%和18.54%,再加入回归惩罚与累计监督后达到17.94%和18.99%。
启示与展望
评估限定在京东零售目录中20万个SKU、2026年1月至9月的在线并行预测,训练语料为2023至2025年零售记录中采样的9120亿个数据点,比较对象是匹配的产品—区域—预测起点记录上的原生产深度学习基线与TimeHF 1.0。
稀疏历史、受库存约束的观测、含义不清的计划和突发的局部尖峰仍会影响可学到的内容;报告指出一个接近的累计量可以与明显的局部误差同时存在。TimeHF 3.0所设想的多模态到多模态原生解释仍是未来方向,尚未在本次评估中给出。
