Buchumschlag

Optimizing LSTM Neural Networks for Resource-Constrained Retail Sales Forecasting: A Model Compression Study

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Pagidoju, Ravi Teja
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Cloud-Native Generative AI for Automated Planogram Synthesis: A Diffusion Model Approach for Multi-Store Retail Optimization
von: Pagidoju, Ravi Teja, et al.
Veröffentlicht: (2026)

Cost-Performance Analysis of Cloud-Based Retail Point-of-Sale Systems: A Comparative Study of Google Cloud Platform and Microsoft Azure
von: Pagidoju, Ravi Teja
Veröffentlicht: (2026)

Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting
von: Hobor, Luka, et al.
Veröffentlicht: (2025)

Temporal Fusion Transformer for Multi-Horizon Probabilistic Forecasting of Weekly Retail Sales
von: Punati, Santhi Bharath, et al.
Veröffentlicht: (2025)

Optimizing LLMs for Resource-Constrained Environments: A Survey of Model Compression Techniques
von: Girija, Sanjay Surendranath, et al.
Veröffentlicht: (2025)

Enhancing Spatiotemporal Networks with xLSTM: A Scalar LSTM Approach for Cellular Traffic Forecasting
von: Ali, Khalid, et al.
Veröffentlicht: (2025)

WEST GCN-LSTM: Weighted Stacked Spatio-Temporal Graph Neural Networks for Regional Traffic Forecasting
von: Theodoropoulos, Theodoros, et al.
Veröffentlicht: (2024)

Network Level Spatial Temporal Traffic State Forecasting with Hierarchical-Attention-LSTM (HierAttnLSTM)
von: Zhang, Tianya
Veröffentlicht: (2022)

Forecasting NCAA Basketball Outcomes with Deep Learning: A Comparative Study of LSTM and Transformer Models
von: Habib, Md Imtiaz
Veröffentlicht: (2025)

SalesRLAgent: A Reinforcement Learning Approach for Real-Time Sales Conversion Prediction and Optimization
von: M, Nandakishor
Veröffentlicht: (2025)

Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon
von: Tavares, Ramon, et al.
Veröffentlicht: (2024)

Enhancing Retail Sales Forecasting with Optimized Machine Learning Models
von: Ganguly, Priyam, et al.
Veröffentlicht: (2024)

Attention-Enhanced LSTM Modeling for Improved Temperature and Rainfall Forecasting in Bangladesh
von: Joy, Usman Gani, et al.
Veröffentlicht: (2025)

Optimizing Deep Neural Networks using Safety-Guided Self Compression
von: Zbeeb, Mohammad, et al.
Veröffentlicht: (2025)

Ai-Powered Sales Demand Forecasting and Desicion Support system
von: M, Nithin, et al.
Veröffentlicht: (2026)

Evaluating the Sensitivity of BiLSTM Forecasting Models to Sequence Length and Input Noise
von: Albelali, Salma, et al.
Veröffentlicht: (2025)

Self-Compressing Neural Networks
von: Cséfalvay, Szabolcs, et al.
Veröffentlicht: (2023)

XAMBA: Enabling Efficient State Space Models on Resource-Constrained Neural Processing Units
von: Das, Arghadip, et al.
Veröffentlicht: (2025)

Learning to Solve Resource-Constrained Project Scheduling Problems with Duration Uncertainty using Graph Neural Networks
von: Infantes, Guillaume, et al.
Veröffentlicht: (2025)

Data-driven Insights for Informed Decision-Making: Applying LSTM Networks for Robust Electricity Forecasting in Libya
von: Agaal, Asma, et al.
Veröffentlicht: (2025)

Optimizing Blood Transfusions and Predicting Shortages in Resource-Constrained Areas
von: Belfarsi, El Arbi, et al.
Veröffentlicht: (2025)

Knowledge Grafting: A Mechanism for Optimizing AI Model Deployment in Resource-Constrained Environments
von: Almurshed, Osama, et al.
Veröffentlicht: (2025)

Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting
von: Sriramulu, Abishek, et al.
Veröffentlicht: (2024)

Cross-household Transfer Learning Approach with LSTM-based Demand Forecasting
von: Rahal, Manal, et al.
Veröffentlicht: (2026)

xLSTMTime : Long-term Time Series Forecasting With xLSTM
von: Alharthi, Musleh, et al.
Veröffentlicht: (2024)

Evaluating Neural Networks for Early Maritime Threat Detection
von: Tella, Dhanush, et al.
Veröffentlicht: (2024)

Compression Repair for Feedforward Neural Networks Based on Model Equivalence Evaluation
von: Mo, Zihao, et al.
Veröffentlicht: (2024)

Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions
von: Wu, Guang, et al.
Veröffentlicht: (2024)

Quantum Neural Networks for Wind Energy Forecasting: A Comparative Study of Performance and Scalability with Classical Models
von: Hangun, Batuhan, et al.
Veröffentlicht: (2025)

Model Ensembling for Constrained Optimization
von: Globus-Harris, Ira, et al.
Veröffentlicht: (2024)

Logarithmic Memory Networks (LMNs): Efficient Long-Range Sequence Modeling for Resource-Constrained Environments
von: Taha, Mohamed A.
Veröffentlicht: (2025)

Evaluating the effectiveness of predicting covariates in LSTM Networks for Time Series Forecasting
von: Davies, Gareth
Veröffentlicht: (2024)

From ARIMA to Attention: Power Load Forecasting Using Temporal Deep Learning
von: Veluru, Suhasnadh Reddy, et al.
Veröffentlicht: (2026)

Hybrid SARIMA LSTM Model for Local Weather Forecasting: A Residual Learning Approach for Data Driven Meteorological Prediction
von: Rajeev, Shreyas, et al.
Veröffentlicht: (2026)

APS-LSTM: Exploiting Multi-Periodicity and Diverse Spatial Dependencies for Flood Forecasting
von: Feng, Jun, et al.
Veröffentlicht: (2024)

Integrating Spatiotemporal Features in LSTM for Spatially Informed COVID-19 Hospitalization Forecasting
von: Wang, Zhongying, et al.
Veröffentlicht: (2025)

The M-factor: A Novel Metric for Evaluating Neural Architecture Search in Resource-Constrained Environments
von: Thudumu, Srikanth, et al.
Veröffentlicht: (2025)

UoMo: A Universal Model of Mobile Traffic Forecasting for Wireless Network Optimization
von: Chai, Haoye, et al.
Veröffentlicht: (2024)

Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model
von: Maheshwari, Saket, et al.
Veröffentlicht: (2024)

GraNNite: Enabling High-Performance Execution of Graph Neural Networks on Resource-Constrained Neural Processing Units
von: Das, Arghadip, et al.
Veröffentlicht: (2025)