EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge
作者: Congcong Hu, Yuang Shi, Fan Huang, Yang Xiang, Zhou Ye, Ming Jin, Shiyu Wang
分类: cs.AI, cs.CL, cs.IR, cs.MM
发布日期: 2026-02-07 (更新: 2026-02-11)
💡 一句话要点
EventCast：利用LLM事件知识增强电商混合需求预测
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 需求预测 电子商务 大型语言模型 事件知识 时间序列预测
📋 核心要点
- 现有需求预测系统在电商促销等高影响时期表现不佳，因为需求模式突变且难以预测。
- EventCast利用LLM将非结构化事件知识转化为可解释的文本摘要，并融入时间序列预测中。
- 实验表明，EventCast在真实电商场景中显著提升了预测准确性，MAE最高提升57.0%，MSE最高提升83.3%。
📝 摘要（中文）
需求预测是电子商务运营的基石，直接影响库存计划和履行调度。然而，现有的预测系统在诸如闪购、假日促销和突发政策干预等高影响力时期常常失效，因为这些时期需求模式会突然且不可预测地发生变化。本文介绍了一种模块化的预测框架EventCast，它将未来事件知识集成到时间序列预测中。与忽略未来干预或直接使用大型语言模型（LLM）进行数值预测的先前方法不同，EventCast仅利用LLM进行事件驱动的推理。来自现有运营数据库的非结构化业务数据（包括促销活动、假日安排和卖家激励）由LLM处理，LLM利用世界知识进行文化细微差别和新颖事件组合，将其转换为可解释的文本摘要。这些摘要与历史需求特征在双塔架构中融合，从而实现准确、可解释和可扩展的预测。EventCast在跨越4个国家160个地区的真实电商场景中部署了10个月，与没有事件知识的变体相比，MAE和MSE分别提高了高达86.9%和97.7%，并且在事件驱动期间，MAE降低了高达57.0%，MSE降低了83.3%（与最佳工业基线相比）。EventCast自2025年3月以来已部署到实际工业管道中，为改善动态电子商务环境中的运营决策提供了一种实用的解决方案。
🔬 方法详解
问题定义：论文旨在解决电商领域中，传统需求预测方法在面对突发事件（如促销活动、节假日等）时预测精度大幅下降的问题。现有方法要么忽略这些事件的影响，要么直接使用LLM进行数值预测，但效果不佳，缺乏可解释性。
核心思路：EventCast的核心思路是利用LLM的强大语义理解能力，将非结构化的事件信息转化为结构化的、可解释的文本摘要，然后将这些摘要与历史需求数据相结合，从而提高预测的准确性和可解释性。这种方法避免了直接使用LLM进行数值预测的困难，而是专注于利用LLM进行事件驱动的推理。
技术框架：EventCast采用双塔架构。第一塔处理历史需求数据，提取时间序列特征。第二塔利用LLM处理非结构化的事件数据，生成文本摘要。具体流程如下：1) 从运营数据库中提取事件数据（如促销活动、假日安排等）；2) 使用LLM将这些数据转换为文本摘要，LLM利用世界知识和文化背景进行推理；3) 将文本摘要与历史需求特征进行融合；4) 使用融合后的特征进行需求预测。
关键创新：EventCast的关键创新在于将LLM应用于事件知识的提取和表示，而不是直接用于数值预测。这种方法充分利用了LLM的语义理解能力，同时避免了直接数值预测的困难。此外，EventCast采用双塔架构，可以灵活地融合不同来源的数据，并提高预测的可解释性。
关键设计：EventCast的关键设计包括：1) 使用特定的prompt工程来指导LLM生成高质量的事件摘要；2) 设计合适的融合机制，将文本摘要与历史需求特征有效地结合起来；3) 选择合适的预测模型，例如时间序列模型或机器学习模型，进行最终的需求预测。具体的损失函数和网络结构的选择取决于具体的应用场景和数据特点。
🖼️ 关键图片
📊 实验亮点
EventCast在真实电商场景中进行了为期10个月的部署，覆盖4个国家160个地区。实验结果表明，与没有事件知识的变体相比，EventCast的MAE和MSE分别提高了高达86.9%和97.7%。与最佳工业基线相比，在事件驱动期间，EventCast的MAE降低了高达57.0%，MSE降低了83.3%。这些结果表明，EventCast能够显著提高需求预测的准确性，尤其是在突发事件发生时。
🎯 应用场景
EventCast可应用于电商、零售等多个领域的需求预测，帮助企业更准确地预测产品销量，优化库存管理，提高运营效率。该研究的实际价值在于降低了因预测不准确导致的库存积压或缺货风险，提升了用户满意度。未来，EventCast可以扩展到其他需要考虑外部事件影响的预测任务中，例如金融市场的预测、能源需求的预测等。
📄 摘要（原文）
Demand forecasting is a cornerstone of e-commerce operations, directly impacting inventory planning and fulfillment scheduling. However, existing forecasting systems often fail during high-impact periods such as flash sales, holiday campaigns, and sudden policy interventions, where demand patterns shift abruptly and unpredictably. In this paper, we introduce EventCast, a modular forecasting framework that integrates future event knowledge into time-series prediction. Unlike prior approaches that ignore future interventions or directly use large language models (LLMs) for numerical forecasting, EventCast leverages LLMs solely for event-driven reasoning. Unstructured business data, which covers campaigns, holiday schedules, and seller incentives, from existing operational databases, is processed by an LLM that converts it into interpretable textual summaries leveraging world knowledge for cultural nuances and novel event combinations. These summaries are fused with historical demand features within a dual-tower architecture, enabling accurate, explainable, and scalable forecasts. Deployed on real-world e-commerce scenarios spanning 4 countries of 160 regions over 10 months, EventCast achieves up to 86.9% and 97.7% improvement on MAE and MSE compared to the variant without event knowledge, and reduces MAE by up to 57.0% and MSE by 83.3% versus the best industrial baseline during event-driven periods. EventCast has deployed into real-world industrial pipelines since March 2025, offering a practical solution for improving operational decision-making in dynamic e-commerce environments.