为解决网络货运平台价格预测不准确导致的成交率下降问题,提出基于Shingling检索的表格先验数据拟合网络(tabular prior-data fitted network,TabPFN)的局部上下文学习(local context learning with TabPFN based on shingling retrieva...为解决网络货运平台价格预测不准确导致的成交率下降问题,提出基于Shingling检索的表格先验数据拟合网络(tabular prior-data fitted network,TabPFN)的局部上下文学习(local context learning with TabPFN based on shingling retrieval,ShinglingPFN)模型。首先,该模型运用w-Shingling检索算法,从历史订单数据中匹配出与预测订单最相似的订单,构建局部关联的上下文数据。然后,加载并初始化预训练的TabPFN模型实例,将筛选出的订单数据输入模型,让TabPFN基于这些上下文信息学习货运特征与运费的关联模式。最后,输出该货运样本的运费预测结果。结果表明,ShinglingPFN模型相比随机森林(random forest,RF)模型减少了30.98%的平均绝对误差(mean absolute error,MAE)。通过全局敏感性分析,进一步增强了模型的可解释性。ShinglingPFN模型可为平台优化定价策略提供决策支撑。展开更多
文摘为解决网络货运平台价格预测不准确导致的成交率下降问题,提出基于Shingling检索的表格先验数据拟合网络(tabular prior-data fitted network,TabPFN)的局部上下文学习(local context learning with TabPFN based on shingling retrieval,ShinglingPFN)模型。首先,该模型运用w-Shingling检索算法,从历史订单数据中匹配出与预测订单最相似的订单,构建局部关联的上下文数据。然后,加载并初始化预训练的TabPFN模型实例,将筛选出的订单数据输入模型,让TabPFN基于这些上下文信息学习货运特征与运费的关联模式。最后,输出该货运样本的运费预测结果。结果表明,ShinglingPFN模型相比随机森林(random forest,RF)模型减少了30.98%的平均绝对误差(mean absolute error,MAE)。通过全局敏感性分析,进一步增强了模型的可解释性。ShinglingPFN模型可为平台优化定价策略提供决策支撑。
