論文の概要: Demand Forecasting of Individual Probability Density Functions with
Machine Learning
- arxiv url: http://arxiv.org/abs/2009.07052v3
- Date: Thu, 22 Jul 2021 07:12:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 05:41:40.902031
- Title: Demand Forecasting of Individual Probability Density Functions with
Machine Learning
- Title（参考訳）: 機械学習による個人確率密度関数の需要予測
- Authors: F. Wick and U. Kerzel and M. Hahn and M. Wolf and T. Singhal and D.
Stemmer and J. Ernst and M. Feindt
- Abstract要約: 本研究では,予測分布の精度を評価する新しい手法を提案する。
教師付き機械学習手法であるCyclic Boostingを用いて、各予測が完全に説明可能であるように、完全な個別確率密度関数を予測できる。
- 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: Demand forecasting is a central component of the replenishment process for
retailers, as it provides crucial input for subsequent decision making like
ordering processes. In contrast to point estimates, such as the conditional
mean of the underlying probability distribution, or confidence intervals,
forecasting complete probability density functions allows to investigate the
impact on operational metrics, which are important to define the business
strategy, over the full range of the expected demand. Whereas metrics
evaluating point estimates are widely used, methods for assessing the accuracy
of predicted distributions are rare, and this work proposes new techniques for
both qualitative and quantitative evaluation methods. Using the supervised
machine learning method "Cyclic Boosting", complete individual probability
density functions can be predicted such that each prediction is fully
explainable. This is of particular importance for practitioners, as it allows
to avoid "black-box" models and understand the contributing factors for each
individual prediction. Another crucial aspect in terms of both explainability
and generalizability of demand forecasting methods is the limitation of the
influence of temporal confounding, which is prevalent in most state of the art
approaches.
- Abstract（参考訳）: 需要予測は小売業者の補充プロセスの中心的な要素であり、注文プロセスのようなその後の意思決定に重要なインプットを提供する。
基礎となる確率分布の条件平均や信頼区間といった点推定とは対照的に、完全な確率密度関数の予測は、期待される需要の全範囲にわたってビジネス戦略を定義する上で重要である運用指標への影響を調査することができる。
点推定値を評価する指標は広く用いられているが,予測分布の精度を評価する手法は稀であり,定性評価法と定量的評価法の両方の新しい手法を提案する。
教師付き機械学習手法であるCyclic Boostingを用いて、各予測が完全に説明可能であるように、完全な個別確率密度関数を予測できる。
これは実践者にとって特に重要であり、"ブラックボックス"モデルを避け、個々の予測に寄与する要因を理解することができる。
需要予測法の説明可能性と一般化可能性の両面でのもう一つの重要な側面は、時間的共起の影響の制限であり、これは芸術的アプローチのほとんどの状況で一般的である。
関連論文リスト
- A Novel Hybrid Approach to Contraceptive Demand Forecasting: Integrating Point Predictions with Probabilistic Distributions [0.8796370521782165]
我々は,ドメイン固有モデルからの点予測と統計的および機械学習アプローチからの確率分布を組み合わせたハイブリッドモデルを開発した。
このアプローチは需要の不確実性に対処し、特にリソース制限された設定で有用である。
我々の研究は、避妊需要予測のギャップを埋め、アルゴリズムと人間の専門知識を組み合わせた実践的な枠組みを提供する。
論文 参考訳（メタデータ） (2025-02-13T14:30:11Z) - Model-agnostic variable importance for predictive uncertainty: an entropy-based approach [1.912429179274357]
既存の説明可能性の手法が不確実性を考慮したモデルにどのように拡張できるかを示す。
我々は、不確実性の原因とモデル性能への影響の両方を理解するために、これらのアプローチの有用性を実証する。
論文 参考訳（メタデータ） (2023-10-19T15:51:23Z) - Probabilistic load forecasting with Reservoir Computing [10.214379018902914]
本研究は,コア時系列予測手法としての貯水池計算に焦点を当てた。
RC文献は主に点予測に重点を置いているが、この研究は一般的な不確実性定量法と貯水池の設定との整合性を探究するものである。
論文 参考訳（メタデータ） (2023-08-24T15:07:08Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Regions of Reliability in the Evaluation of Multivariate Probabilistic
Forecasts [73.33395097728128]
時系列予測評価のための適切なスコアリングルールに関する最初の体系的な有限サンプル研究を提供する。
本研究では, 地中構造と予測分布のいくつかの重要な相違点をテストするために, 総合的な総合的合成ベンチマークを用いて解析を行った。
論文 参考訳（メタデータ） (2023-04-19T17:38:42Z) - Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts
using Conditional Invertible Neural Networks [0.19573380763700712]
我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。
我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
論文 参考訳（メタデータ） (2023-02-03T15:11:39Z) - Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。
本研究では,交通予測の不確かさの定量化に焦点をあてる。
STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文 参考訳（メタデータ） (2022-08-11T15:21:53Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳（メタデータ） (2022-06-13T21:31:06Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z)
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。