CHÚC MỪNG HỌC VIÊN CAO HỌC NGÀNH HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ FDSE 2026 (SCOPUS)

International Conference on Future Data and Security Engineering (FDSE) là hội nghị khoa học quốc tế thường niên uy tín dành cho các nhà nghiên cứu và chuyên gia trong lĩnh vực dữ liệu, thông tin, tri thức và kỹ thuật an toàn. Hội nghị là diễn đàn chất lượng để trình bày, trao đổi các kết quả nghiên cứu tiên tiến, các ứng dụng dựa trên dữ liệu cũng như thảo luận những định hướng nghiên cứu mới trong tương lai.

Kỷ yếu hội nghị FDSE được chỉ mục trong Scopus, EI Compendex, DBLP và danh mục Conference Proceeding Citation Index (CPCI) của Thomson Reuters. Bài báo của tác giả được nộp để xuất bản bởi nhà xuất bản Springer Verlag trong series Communications in Computer and Information Science (CCIS), có mã ISSN 1865-0929. Hội nghị FDSE 2026 dự kiến sẽ được tổ chức tại Trường Đại học Khoa học Tự nhiên – ĐHQG-HCM, Thành phố Hồ Chí Minh, Việt Nam.

Thông tin hội nghị: https://thefdse.org/

Tên bài báo: “Hybrid Retail Demand Forecasting with Pretrained Time-Series Models and Business Signals”

Học viên thực hiện:

• Nguyễn Thanh Thảo – MSHV: 250104025 – Học viên Cao học khóa 2025

Giảng viên hướng dẫn:

• TS. Trần Hưng Nghiệp

Abstract: Accurate retail demand forecasting is essential for supply chain management, yet challenging due to the interaction between temporal dynamics and exogenous business signals like promotions and inventory levels. While pretrained time-series foundation models achieve strong zero-shot performance on generic benchmarks, their effectiveness in covariate-rich retail environments remains unclear.

To address this gap, we propose a lightweight prediction-level ensemble framework combining zero-shot Chronos models with Optuna-tuned HistGradientBoosting (HGB) across two variants (Chronos-2-cov + HGB and ChronosBolt-Small + HGB), and evaluate 15 forecasting approaches on a daily store-product dataset. This design enables the model to leverage general temporal priors while capturing complex supply-side covariates.

Empirical results demonstrate that our Chronos-Bolt + HGB hybrid achieves a 29.40% test sMAPE, offering modest overall gains over standalone baselines while effectively mitigating error concentration during promotional spikes and peak-demand periods. Our findings indicate that pretrained time-series foundation models are most effective as complementary temporal priors in hybrid architectures rather than direct replacements for covariate-aware learners.