二手电子产品多期价格预测：深度学习与统计模型系统基准
原始标题 / Deep Learning vs. Statistical Models for Multi-Horizon Price Forecasting of Second-Hand Electronics: A Systematic Benchmark
首次在二手电子产品领域建立多周期价格预测基准，覆盖11种统计与深度学习模型，在1至365天六个预测步长上评估。发现N-BEATS在长期预测中显著优于统计基线，且单一模型可跨周期泛化，为订阅平台定价提供方法参照。
01 摘要
论文针对二手电子产品价格高波动、列表稀疏且非正态的特点，构建了大规模多周期预测基准。实验表明，N-BEATS在30天以上预测中MAPE最低，365天达8.51%，较最优统计基线14.94%降低约43%。短周期（1-7天）所有模型表现接近，朴素基线仍具竞争力；单一365天训练的N-BEATS可泛化至更短周期。这些结论基于波兰在线市场每日价格数据，作者认为N-BEATS和N-HiTS具有更好的超参数稳定性。
02 关键点
- N-BEATS在30天以上预测中MAPE最低，365天为8.51%，较最优统计基线降低约43%。
- 短周期（1-7天）所有模型MAPE收敛至约0.72%，朴素基线仍具竞争力。
- 单一在365天训练的N-BEATS模型可泛化至所有更短周期，无需为每个周期单独建模。
回到一手来源
阅读原文 ↗AI GENERATED SUMMARY / DISCOVERED BY ARXIV CS.LG · ARXIV Q-FIN