論文の概要: A Multi-Phase Approach for Product Hierarchy Forecasting in Supply Chain Management: Application to MonarchFx Inc

• arxiv url: http://arxiv.org/abs/2006.08931v1
• Date: Tue, 16 Jun 2020 05:26:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-20 19:08:44.197139
• Title: A Multi-Phase Approach for Product Hierarchy Forecasting in Supply Chain Management: Application to MonarchFx Inc
• Title（参考訳）: サプライチェーン管理における製品階層予測のための多相アプローチ:froyalfx社への適用
• Authors: Sajjad Taghiyeh, David C Lengacher and Robert B Handfield
• Abstract要約: 本稿では,階層的サプライチェーンの予測を改善するために,新しい多相階層型アプローチを提案する。 提案手法を用いた予測精度は82-90%向上した。
• 参考スコア（独自算出の注目度）: 9.290757451344673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hierarchical time series demands exist in many industries and are often associated with the product, time frame, or geographic aggregations. Traditionally, these hierarchies have been forecasted using top-down, bottom-up, or middle-out approaches. The question we aim to answer is how to utilize child-level forecasts to improve parent-level forecasts in a hierarchical supply chain. Improved forecasts can be used to considerably reduce logistics costs, especially in e-commerce. We propose a novel multi-phase hierarchical (MPH) approach. Our method involves forecasting each series in the hierarchy independently using machine learning models, then combining all forecasts to allow a second phase model estimation at the parent level. Sales data from MonarchFx Inc. (a logistics solutions provider) is used to evaluate our approach and compare it to bottom-up and top-down methods. Our results demonstrate an 82-90% improvement in forecast accuracy using the proposed approach. Using the proposed method, supply chain planners can derive more accurate forecasting models to exploit the benefit of multivariate data.
• Abstract（参考訳）: 階層的な時系列要求は多くの産業に存在し、しばしば製品、時間枠、地理的集約と関連付けられる。 従来、これらの階層はトップダウン、ボトムアップ、ミドルアウトのアプローチで予測されてきた。 我々が答えようとしている質問は、階層的なサプライチェーンにおける親レベルの予測を改善するために、子レベルの予測をどのように利用するかである。 予測の改善はロジスティクスコスト、特にeコマースの大幅な削減に利用できる。 本稿では,新しい多相階層(MPH)手法を提案する。 本手法では,機械学習モデルを用いて階層内の各系列を独立に予測し,各系列を組み合わせて親レベルでの第2フェーズモデル推定を行う。 MonarchFx Inc.(ロジスティクスソリューションプロバイダ)のセールスデータは、私たちのアプローチを評価し、ボトムアップおよびトップダウンメソッドと比較するために使用されます。 提案手法を用いた予測精度は82-90%向上した。 提案手法により、サプライチェーンプランナはより正確な予測モデルを導出し、多変量データの利点を利用することができる。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Hierarchical Forecasting at Scale [55.658563862299495]
  既存の階層予測技術は、時系列の数が増加するとスケールが低下する。 我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。 欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
  論文  参考訳（メタデータ） (2023-10-19T15:06:31Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• Model selection in reconciling hierarchical time series [2.705025060422369]
  本稿では,最も適切な階層的予測手法を動的に選択する手法を提案する。 このアプローチは機械学習の分類法に基づいており、時系列機能を主要な指標として利用する。 本結果は,条件付き階層予測が標準手法よりもはるかに正確な予測につながることを示唆している。
  論文  参考訳（メタデータ） (2020-10-21T03:40:35Z)
• Hierarchical robust aggregation of sales forecasts at aggregated levels in e-commerce, based on exponential smoothing and Holt's linear trend method [0.0]
  我々は、異なる(集合の)パラメータで調整された古典技法のいくつかの例から与えられるアンサンブル予測を考える。 本手法を,電子商取引会社Cdiscountが提供する階層的な販売データセットに適用する。 この性能は、電車のセットで古典的なテクニックを最適にチューニングすることで得られるものよりも優れている。
  論文  参考訳（メタデータ） (2020-06-05T11:20:25Z)
• Hierarchical forecast reconciliation with machine learning [0.34998703934432673]
  本稿では,機械学習に基づく新しい階層的予測手法を提案する。 これは、サンプル後の経験的予測精度とコヒーレンスの改善の目的を構造的に組み合わせている。 本研究では,提案手法が既存手法よりも優れた点予測を与えることを示す。
  論文  参考訳（メタデータ） (2020-06-03T04:49:39Z)
• A machine learning approach for forecasting hierarchical time series [4.157415305926584]
  階層時系列を予測するための機械学習手法を提案する。 予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。 我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
  論文  参考訳（メタデータ） (2020-05-31T22:26:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。