事半功倍：基于图像的谷歌趋势对新时尚产品销售的多模态预测

新时尚产品销售预测是一个涉及众多商业动态的难题，无法通过经典预测方法解决。本文研究了系统性地利用外源知识（以Google Trends时间序列的形式）并将其与全新时尚商品的多模态信息相结合，从而在缺乏历史数据的情况下有效预测其销售情况的有效性。具体而言，我们提出了一种基于神经网络的方法，其中编码器学习外源时间序列的表示，而解码器则根据Google Trends编码以及可用的视觉和元数据信息来预测销售情况。我们的模型采用非自回归方式工作，避免了初始步骤中较大误差的累积效应。作为第二个贡献，我们介绍了VISUELLE，这是一个公开的数据集，用于新时尚产品销售预测任务，包含2016年至2019年间意大利快时尚公司Nunalie所售出的5577个真实新品的多模态信息。该数据集配备了产品的图像、元数据、相关销售记录及关联的Google Trends数据。我们使用VISUELLE将我们的方法与最先进的替代方案及多个基准进行对比，结果显示我们的基于神经网络的方法在百分比误差和绝对误差方面均最为准确。值得注意的是，加入外源知识后，在加权绝对百分比误差（WAPE）方面提升了1.5%，这表明利用有信息量的外部资料的重要性。代码和数据集均可在https://github.com/HumaticsLAB/GTM-Transformer 获取。