Fugu-MT 論文翻訳(概要): Demand Forecasting using Long Short-Term Memory Neural Networks

論文の概要: Demand Forecasting using Long Short-Term Memory Neural Networks

arxiv url: http://arxiv.org/abs/2008.08522v1
Date: Wed, 19 Aug 2020 16:01:23 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 08:49:47.867355
Title: Demand Forecasting using Long Short-Term Memory Neural Networks
Title（参考訳）: 長期短期記憶ニューラルネットを用いた需要予測
Authors: Marta Go{\l}\k{a}bek, Robin Senge, and Rainer Neumann
Abstract要約: 長期記憶ニューラルネットワーク(LSTM)は,eグロサリー小売業における需要予測に適している。統計モデルと機械学習モデルの比較モデルより, 食品のモデルの方がよい結果が得られた。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we investigate to what extent long short-term memory neural networks (LSTMs) are suitable for demand forecasting in the e-grocery retail sector. For this purpose, univariate as well as multivariate LSTM-based models were developed and tested for 100 fast-moving consumer goods in the context of a master's thesis. On average, the developed models showed better results for food products than the comparative models from both statistical and machine learning families. Solely in the area of beverages random forest and linear regression achieved slightly better results. This outcome suggests that LSTMs can be used for demand forecasting at product level. The performance of the models presented here goes beyond the current state of research, as can be seen from the evaluations based on a data set that unfortunately has not been publicly available to date.
Abstract（参考訳）: 本稿では,e-grocery 小売業における需要予測に長期記憶ニューラルネットワーク(LSTM)がどの程度適しているかを検討する。この目的のために、マスターズ論文の文脈において、無変量および多変量lstmベースのモデルが開発され、100個の高速移動消費者製品に対してテストされた。平均すると, 食品製品に対する評価は, 統計学と機械学習の両ファミリーの比較モデルよりも良好であった。飲料の無作為な森林面積と線形回帰は, わずかに良好な結果を得た。この結果から,LSTMは製品レベルでの需要予測に有効であることが示唆された。ここで提示されるモデルの性能は現在の研究状況を超えており、残念ながら今日まで公開されていないデータセットに基づく評価から見ることができる。

関連論文リスト

Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文参考訳（メタデータ） (2024-09-10T07:34:19Z)
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)
Few-Shot Load Forecasting Under Data Scarcity in Smart Grids: A Meta-Learning Approach [0.18641315013048293]
本稿では,短期負荷予測のためのモデルに依存しないメタ学習アルゴリズムを提案する。提案手法は,任意の長さの未知の負荷時間列に迅速に適応し,一般化することができる。提案手法は,実世界の消費者の歴史的負荷消費データのデータセットを用いて評価する。
論文参考訳（メタデータ） (2024-06-09T18:59:08Z)
The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
論文参考訳（メタデータ） (2023-09-20T10:31:17Z)
Advanced Deep Regression Models for Forecasting Time Series Oil Production [3.1383147856975633]
本研究の目的は、逐次畳み込みと長寿命メモリ(LSTM)ユニットを用いた高度なデータ駆動回帰モデルを開発することである。 LSTMに基づくシーケンス学習モデルは,平均絶対誤差(MAE)とR2スコア(111.16点,0.98点)の1次元畳み込みニューラルネットワーク(CNN)よりも石油生産を予測できることがわかった。
論文参考訳（メタデータ） (2023-08-30T15:54:06Z)
Comparison of Transfer Learning based Additive Manufacturing Models via A Case Study [3.759936323189418]
本稿では,金属AM製品に関するオープンソースデータセットに基づくケーススタディについて述べる。 5つのTL手法が決定木回帰(DTR)と人工知能ニューラルネットワーク(ANN)と統合され、6つのTLベースモデルが構築される。これらの比較は応用TL法の性能を定量化するために用いられ、類似性、トレーニングデータサイズ、データ前処理の観点から議論される。
論文参考訳（メタデータ） (2023-05-17T00:29:25Z)
Robustness Analysis of Deep Learning Models for Population Synthesis [5.9106199000537645]
複数のデータセットに対するロバスト性を評価するため, 深部生成モデルのブートストラップ信頼区間を示す。これらのモデルは、2008年、2013年、2018年のモントリオール・オリジン・デスチネーション・サーベイの複数の旅行日記に実装されている。その結果,CTGANの予測誤差は,複数のデータセットに対する堅牢性を示す信頼区間が狭かった。
論文参考訳（メタデータ） (2022-11-23T22:55:55Z)
Comparing Prophet and Deep Learning to ARIMA in Forecasting Wholesale Food Prices [0.0]
イタリア食品問屋が適用した3種類の食品の販売価格を予測するために異なる手法を検討した。 ARIMAモデルを考えて、Facebookが開発したスケーラブルな予測ツールであるProphetと比較する。この結果から, ARIMA は LSTM ニューラルネットワークと同等に動作し, CNN と LSTM を組み合わせることで, 全体的な精度が向上するが, 調整に要する時間が増大することがわかった。
論文参考訳（メタデータ） (2021-07-23T15:13:31Z)
Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文参考訳（メタデータ） (2021-06-08T14:48:20Z)
Comparing Test Sets with Item Response Theory [53.755064720563]
我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
論文参考訳（メタデータ） (2021-06-01T22:33:53Z)
Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。