47、多模态需求预测与自适应特征融合通道注意力的图像超分辨率研究

多模态需求预测与自适应特征融合通道注意力的图像超分辨率研究

1. 多模态需求预测

1.1 数据编码

在需求预测中，我们对 4 种日期信息进行循环特征编码，即每月的日期、每年的日期、每月的周数和每年的月份。使用以下公式：
[x_{sin} = \sin(\frac{2\pi x}{\max(x)})]
[x_{cos} = \cos(\frac{2\pi x}{\max(x)})]
公式中 (x) 的最大值分别对应 4 种不同日期信息：{(28 - 31) 天, (365 - 366) 天, (4 - 5) 周, 12 个月}。这样每天可以得到一个 8 维的日期编码。为了预测第 (t) 天的销售额，我们仅使用第 (t) 天的编码，而不是窗口 (w) 内所有天的编码，以确保特征维度的最小增加。

1.2 Google 趋势

过去，使用 Google 趋势和搜索关键词来更好地预测消费者对产品的兴趣一直备受关注。特定产品的搜索量可以与对该产品的兴趣相关联，同样也可以转化为销售量。对于销售预测，并非销售数据集中的所有产品类别都有相应的 Google 趋势数据。我们手动筛选了可用的类别，确定了 12 个 Google 趋势类别（食品饮料、互联网、计算机电器、商业、购物、书籍、爱好、汽车、家庭园艺、艺术、美容、健康），这些类别与销售数据中的类别完全匹配或密切相关。

相关性分析

由于我们有 12 个不同的趋势类别 ((q)) 和 20 个产品类别 ((p))，我们对每个趋势时间序列和产品销售时间序列进行了成对的皮尔逊相关性分析。保留相关性高于 0.4 的对。从这些入围的对中，我们为每个产品类别推导