論文の概要: Modeling Household Online Shopping Demand in the U.S.: A Machine
Learning Approach and Comparative Investigation between 2009 and 2017
- arxiv url: http://arxiv.org/abs/2101.03690v1
- Date: Mon, 11 Jan 2021 03:45:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 14:37:15.293369
- Title: Modeling Household Online Shopping Demand in the U.S.: A Machine
Learning Approach and Comparative Investigation between 2009 and 2017
- Title（参考訳）: 米国における家庭用オンラインショッピング需要のモデル化:機械学習アプローチと2009年と2017年の比較検討
- Authors: Limon Barua, Bo Zou, Yan (Joann) Zhou, Yulin Liu
- Abstract要約: 本稿では、2009年と2017年の全米家庭旅行調査(NHTS)データを2回リリースし、家庭レベルのオンラインショッピング購入を予測する機械学習(ML)モデルを開発した。
機械学習技術の最新の2つの進歩、すなわちShapley値に基づく特徴重要度と累積局所効果プロットは、現在のMLモデリングにおける一般的なテクニックの固有の欠点を克服するために採用されている。
得られたモデルと洞察は、オンラインショッピング関連貨物需要生成に利用することができ、関連する政策がオンラインショッピング需要に与える影響を評価できる可能性がある。
- 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: Despite the rapid growth of online shopping and research interest in the
relationship between online and in-store shopping, national-level modeling and
investigation of the demand for online shopping with a prediction focus remain
limited in the literature. This paper differs from prior work and leverages two
recent releases of the U.S. National Household Travel Survey (NHTS) data for
2009 and 2017 to develop machine learning (ML) models, specifically gradient
boosting machine (GBM), for predicting household-level online shopping
purchases. The NHTS data allow for not only conducting nationwide investigation
but also at the level of households, which is more appropriate than at the
individual level given the connected consumption and shopping needs of members
in a household. We follow a systematic procedure for model development
including employing Recursive Feature Elimination algorithm to select input
variables (features) in order to reduce the risk of model overfitting and
increase model explainability. Extensive post-modeling investigation is
conducted in a comparative manner between 2009 and 2017, including quantifying
the importance of each input variable in predicting online shopping demand, and
characterizing value-dependent relationships between demand and the input
variables. In doing so, two latest advances in machine learning techniques,
namely Shapley value-based feature importance and Accumulated Local Effects
plots, are adopted to overcome inherent drawbacks of the popular techniques in
current ML modeling. The modeling and investigation are performed both at the
national level and for three of the largest cities (New York, Los Angeles, and
Houston). The models developed and insights gained can be used for online
shopping-related freight demand generation and may also be considered for
evaluating the potential impact of relevant policies on online shopping demand.
- Abstract（参考訳）: オンラインショッピングの急速な成長と、オンラインショッピングと店舗内ショッピングの関係に関する研究の関心にもかかわらず、オンラインショッピングの需要の全国レベルのモデリングと調査は文献に限定されている。
本稿では,2009年と2017年の米国家庭旅行調査(NHTS)データを2回リリースし,機械学習(ML)モデル,特に家計レベルのオンラインショッピング購入を予測するための勾配促進機(GBM)を開発した。
NHTSのデータは全国的な調査を行うだけでなく、家庭内の会員の消費と買い物のニーズが関係しているため、個人レベルよりも適切な家庭レベルの調査を行うことができる。
モデル開発のための体系的な手順として,再帰的特徴除去アルゴリズムを用いて入力変数(特徴量)を選択し,モデルの過剰フィッティングのリスクを低減し,モデル説明可能性を高める。
2009年から2017年にかけて、オンラインショッピング需要予測における各入力変数の重要性を定量化し、需要と入力変数間の価値依存関係を特徴付けるなど、広範なポストモデリング調査が実施された。
機械学習技術の最近の進歩であるshapley value-based feature importanceとcumded local effects plotは、現在のmlモデリングにおける一般的なテクニックの欠点を克服するために採用されている。
モデリングと調査は全国レベルで行われ、ニューヨーク、ロサンゼルス、ヒューストンの3大都市で行われている。
得られたモデルと洞察は、オンラインショッピング関連貨物需要生成に利用することができ、関連する政策がオンラインショッピング需要に与える影響を評価することもできる。
関連論文リスト
- MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。
動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。
実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
論文 参考訳（メタデータ） (2024-10-25T16:20:46Z) - 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) - Modeling the Telemarketing Process using Genetic Algorithms and Extreme
Boosting: Feature Selection and Cost-Sensitive Analytical Approach [0.06906005491572399]
本研究は、顧客による長期預金の意欲をモデル化する上で、テレマーケティングデータの力を活用することを目的とする。
ポルトガルの銀行と社会経済指標の実際のデータは、遠隔販売による意思決定プロセスのモデル化に使用される。
論文 参考訳（メタデータ） (2023-10-30T08:46:55Z) - 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) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - Modelling the Frequency of Home Deliveries: An Induced Travel Demand
Contribution of Aggrandized E-shopping in Toronto during COVID-19 Pandemics [2.5380150390265257]
本研究は、世帯の毎週の宅配頻度を予測するモデルを開発した。
その結果、オンライン食料品会員、世帯平均年齢、男性世帯の割合、世帯労働者数、各種土地利用要因などの社会経済的要因が宅配需要に影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2022-09-21T21:18:25Z) - Analyzing Machine Learning Models for Credit Scoring with Explainable AI
and Optimizing Investment Decisions [0.0]
本稿では、説明可能なAI(XAI)の実践に関連する2つの異なる質問について検討する。
この研究では、単一分類器(論理回帰、決定木、LDA、QDA)、異種アンサンブル(AdaBoost、ランダムフォレスト)、シーケンシャルニューラルネットワークなど、さまざまな機械学習モデルを比較した。
LIMEとSHAPの2つの高度なポストホックモデル説明可能性技術を用いて、MLベースのクレジットスコアリングモデルを評価する。
論文 参考訳（メタデータ） (2022-09-19T21:44:42Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z) - 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) - A Probabilistic Simulator of Spatial Demand for Product Allocation [23.430521524442195]
本稿では,物理小売における空間需要のモデルを提案する。
提案モデルは,既存のベースラインよりも需要の予測性が高いことを示す。
また、異なる自動化技術に関する予備的研究を行い、Deep Q-Learningを通じて最適な製品割当ポリシーを学習できることを示します。
論文 参考訳（メタデータ） (2020-01-09T20:18:37Z)
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。