論文の概要: Demand Prediction Using Machine Learning Methods and Stacked Generalization

• arxiv url: http://arxiv.org/abs/2009.09756v1
• Date: Mon, 21 Sep 2020 10:58:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 03:47:49.022563
• Title: Demand Prediction Using Machine Learning Methods and Stacked Generalization
• Title（参考訳）: 機械学習と重畳一般化を用いた需要予測
• Authors: Resul Tugay, Sule Gunduz Oguducu
• Abstract要約: 本稿では,eコマースWebサイトにおける需要予測のための新しいアプローチを提案する。 eコマースのWebサイトで使用されるビジネスモデルには、同じ製品を異なる価格で同時に販売する多くの売り手が含まれている。
• 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: Supply and demand are two fundamental concepts of sellers and customers. Predicting demand accurately is critical for organizations in order to be able to make plans. In this paper, we propose a new approach for demand prediction on an e-commerce web site. The proposed model differs from earlier models in several ways. The business model used in the e-commerce web site, for which the model is implemented, includes many sellers that sell the same product at the same time at different prices where the company operates a market place model. The demand prediction for such a model should consider the price of the same product sold by competing sellers along the features of these sellers. In this study we first applied different regression algorithms for specific set of products of one department of a company that is one of the most popular online e-commerce companies in Turkey. Then we used stacked generalization or also known as stacking ensemble learning to predict demand. Finally, all the approaches are evaluated on a real world data set obtained from the e-commerce company. The experimental results show that some of the machine learning methods do produce almost as good results as the stacked generalization method.
• Abstract（参考訳）: 需要と供給は販売者と顧客という2つの基本的な概念である。 正確に需要を予測することは、組織が計画を立てるために重要である。 本稿では,eコマースWebサイトにおける需要予測のための新しいアプローチを提案する。 提案されたモデルは、いくつかの点で以前のモデルと異なる。 モデルが実装されているeコマースウェブサイトで使用されるビジネスモデルには、企業がマーケットプレースモデルを運営している異なる価格で同じ製品を同時に販売する多くのセラーが含まれている。 このようなモデルに対する需要予測は、競合セラーが販売する同じ商品の価格を、これらのセラーの特徴に沿って考慮すべきである。 本研究では,トルコで最も人気のあるオンライン電子商取引企業の一つである企業のある部門の特定の製品に対して,まず異なる回帰アルゴリズムを適用した。 次に,スタック一般化(stacked generalization),あるいはスタックアンサンブル学習(stacking ensemble learning)を使用して需要予測を行った。 最後に、すべてのアプローチは、eコマース会社から取得した実世界のデータセットで評価される。 実験結果から,機械学習手法のいくつかは,積み重ね一般化法とほぼ同等の結果が得られることがわかった。

関連論文リスト

• An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
  フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。 本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:25:53Z)
• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• Refined Mechanism Design for Approximately Structured Priors via Active Regression [50.71772232237571]
  我々は、大量の商品を戦略的入札者に販売する収益を最大化する販売業者の問題を考える。 この設定の最適かつほぼ最適のメカニズムは、特徴付けや計算が難しいことで有名である。
  論文  参考訳（メタデータ） (2023-10-11T20:34:17Z)
• A Meta-learning based Stacked Regression Approach for Customer Lifetime Value Prediction [3.6002910014361857]
  顧客ライフタイムバリュー(英:Customer Lifetime Value、CLV)とは、取引/購入の合計金額である。 CLVは、銀行、保険、オンラインエンタテインメント、ゲーム、Eコマースなど、いくつかの異なるビジネスドメインでアプリケーションを見つける。 本稿では,効果的かつ包括的かつシンプルかつ解釈可能なシステムを提案する。
  論文  参考訳（メタデータ） (2023-08-07T14:22:02Z)
• Dynamic Pricing with Volume Discounts in Online Settings [102.00782184214326]
  本稿では,電子商取引における客観的機能が利益であり,取引データのみが利用可能である場合の価格設定に焦点を当てる。 我々の研究は、異なるボリューム閾値で最適な価格を定め、異なるクラスのユーザーに提供する価格戦略を見つけることを目的としている。 我々は、オンライン形式でデータを活用できる2段階のオンライン学習アルゴリズムBを設計する。
  論文  参考訳（メタデータ） (2022-11-17T16:01:06Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and Multi-Period Optimization Approach [29.11201102550876]
  半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。 本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。 提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
  論文  参考訳（メタデータ） (2021-05-18T07:01:37Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Heterogeneous Network Embedding for Deep Semantic Relevance Match in E-commerce Search [29.881612817309716]
  Eコマースアイテム関連性のためのエンドツーエンドの第一次および第二次関連性予測モデルを設計します。 BERTから生成された外部知識を導入し,ユーザ行動のネットワークを改良する。 オフライン実験の結果,新しいモデルにより,人間関係判定における予測精度が有意に向上した。
  論文  参考訳（メタデータ） (2021-01-13T03:12:53Z)
• Price Optimization in Fashion E-commerce [4.974165555396548]
  本稿では,各製品レベルで最適な価格点を求めるための新しい機械学習と最適化手法を提案する。 ABテストの結果によると、当社のモデルは売上を1%、粗利率を0.81パーセント改善しています。
  論文  参考訳（メタデータ） (2020-07-10T07:40:28Z)

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。