EXAONE Demand 1.0: A Time Series Foundation Model for Demand Forecasting

📄 arXiv: 2609.30880v1 📥 PDF

作者: Seunghan Lee, Sangjun Han, Jun Seo, Junhyeok Kang, Jaehoon Lee, Tae Yoon Lim, Dongwan Kang, Hwanil Choi, Minjae Kim, Sungdong Yoo, Soonyoung Lee, Wonbin Ahn

分类: cs.AI, cs.LG

发布日期: 2026-09-25

备注: Technical report of EXAONE Demand 1.0

💡 一句话要点

提出EXAONE Demand以解决需求预测中的数据稀缺问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 需求预测 时间序列模型 数据稀缺 深度学习 机器学习 供应链管理 库存优化

📋 核心要点

  1. 现有时间序列基础模型在需求预测中面临数据稀缺和特性不匹配的挑战，导致预测效果不佳。
  2. 论文提出EXAONE Demand，通过构建需求特定语料库和需求感知适配器，针对需求数据的独特性质进行优化。
  3. 在22个保留数据集上，EXAONE Demand的两个版本均超越了36个现有TSFMs，显示出显著的性能提升。

📝 摘要（中文）

时间序列基础模型（TSFMs）在多领域的序列上进行预训练，但需求序列仅占少数。需求数据具有短历史、频繁零值、缺货审查和未记录的外部事件等特性。为此，我们提出EXAONE Demand，基于需求特定语料库和需求感知适配器构建。我们汇集了来自73个来源的1130万系列和484亿观察数据，并通过合成生成器补充开放需求数据的不足。适配器通过低秩分支连接到冻结的通用领域主干，针对四种需求类别（平稳、间歇、异常和块状）设计，并通过路由器根据输入系列的八个无量纲统计量决定每个分支的贡献。EXAONE Demand有两个版本，一个结合真实和合成需求训练，另一个仅基于合成语料训练。在22个保留数据集上，两个版本均优于36个TSFMs，且真实需求数据相较于单独的合成数据有显著提升。

🔬 方法详解

问题定义：论文要解决的具体问题是需求预测中的数据稀缺和特性不匹配，现有方法在处理短历史、频繁零值和缺货等情况时表现不佳。

核心思路：论文的核心解决思路是构建一个需求特定的语料库和需求感知适配器，以更好地捕捉需求数据的特性，从而提高预测准确性。

技术框架：整体架构包括两个主要模块：需求特定语料库和需求感知适配器。语料库汇集了大量需求数据，适配器则通过低秩分支和路由器来处理不同类型的需求序列。

关键创新：最重要的技术创新点在于构建了一个专门针对需求数据的语料库，并设计了适配器来动态调整模型对不同需求类型的响应，这与现有方法的通用性设计形成了鲜明对比。

关键设计：在适配器设计中，使用了低秩分支结构，并通过路由器根据输入系列的统计特性来决定各分支的贡献，确保模型能够灵活适应不同的需求模式。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

在22个保留数据集上，EXAONE Demand的两个版本均超越了36个现有的时间序列基础模型，显示出显著的性能提升，尤其是结合真实需求数据的版本，相较于仅使用合成数据的版本有明显的增益。

🎯 应用场景

EXAONE Demand的研究成果可广泛应用于零售、供应链管理和库存优化等领域，帮助企业更准确地预测需求，从而提升运营效率和客户满意度。未来，该模型还可能扩展到其他时间序列预测任务，具有重要的实际价值和影响力。

📄 摘要（原文）

Time series foundation models (TSFMs) are pretrained on series from diverse domains, where demand series make up only a small fraction. Demand data has properties that such corpora rarely contain: Short histories, frequent zeros, censoring by stock-outs, and exogenous events that the series does not record. To this end, we propose EXAONE Demand, built on 1) a demand-specific corpus and 2) a demand-aware adapter. For the corpus, we assemble 11.3M series and 48.4B observations from 73 sources, and a synthetic generator supplies the behaviour that open demand data under-represents. For the adapter, we attach low-rank branches to a frozen general-domain backbone, one for each of the four demand classes (smooth, intermittent, erratic, and lumpy), and a router that reads eight scale-free statistics of the input series decides how much each branch contributes. We build EXAONE Demand in two versions, one trained on real-world and synthetic demand together and one trained on the synthetic corpus alone. On 22 held-out datasets, both versions outperform 36 TSFMs, and real-world demand adds a gain over synthetic data alone.