論文の概要: Exploring the representativeness of the M5 competition data
- arxiv url: http://arxiv.org/abs/2103.02941v1
- Date: Thu, 4 Mar 2021 10:45:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 14:46:09.929280
- Title: Exploring the representativeness of the M5 competition data
- Title(参考訳): M5競合データの代表性を探る
- Authors: Evangelos Theodorou, Shengjie Wang, Yanfei Kang, Evangelos Spiliotis,
Spyros Makridakis, Vassilios Assimakopoulos
- Abstract要約: m5時系列の特徴を解析し、2つの小売業者、すなわちコポラシオン・モニタと、ギリシャの主要なスーパーマーケットチェーンと比較した。
以上の結果から,m5データの代表性を支持するデータセット間の差異は少ないことが示唆された。
- 参考スコア(独自算出の注目度): 9.369124925558076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The main objective of the M5 competition, which focused on forecasting the
hierarchical unit sales of Walmart, was to evaluate the accuracy and
uncertainty of forecasting methods in the field in order to identify best
practices and highlight their practical implications. However, whether the
findings of the M5 competition can be generalized and exploited by retail firms
to better support their decisions and operation depends on the extent to which
the M5 data is representative of the reality, i.e., sufficiently represent the
unit sales data of retailers that operate in different regions, sell different
types of products, and consider different marketing strategies. To answer this
question, we analyze the characteristics of the M5 time series and compare them
with those of two grocery retailers, namely Corporaci\'on Favorita and a major
Greek supermarket chain, using feature spaces. Our results suggest that there
are only small discrepancies between the examined data sets, supporting the
representativeness of the M5 data.
- Abstract(参考訳): m5コンペティションの主な目的は、walmartの階層的なユニットセールスの予測に焦点をあて、現場における予測方法の正確性と不確実性を評価し、ベストプラクティスを特定し、その実践的意義を強調することであった。
しかし、m5コンペティションの成果が小売業者の意思決定と運用をより良く支援するために一般化され、活用されるかどうかは、m5データが現実を表わす程度、すなわち、異なる地域で活動する小売業者の単位販売データを十分に表現し、異なる種類の製品を販売し、異なるマーケティング戦略を検討するかによって異なる。
この問いに答えるために、我々はM5時系列の特徴を分析し、特徴空間を用いて2つの食料品店、すなわちCooraci\'on Favoritaと主要なギリシャのスーパーマーケットチェーンの特性を比較した。
以上の結果から,m5データの代表性を支持するデータセット間の差異は少ないことが示唆された。
関連論文リスト
- Scalable Probabilistic Forecasting in Retail with Gradient Boosted
Trees: A Practitioner's Approach [4.672665650064167]
本稿では,系列数や間欠性が少ない集約レベルでの予測を行うためのトップダウン手法を提案する。
サブサンプルによる低いレベルの直接トレーニングも、スケーリングの代替方法である。
われわれは、eコマースとブリック・アンド・モルタルの小売データセットの特徴の違いを示すことができる。
論文 参考訳(メタデータ) (2023-11-02T04:46:32Z) - Text Embeddings by Weakly-Supervised Contrastive Pre-training [98.31785569325402]
E5は最先端のテキスト埋め込みのファミリーであり、幅広いタスクにうまく転送される。
E5は、テキストの単一ベクトル表現を必要とするタスクに対して、汎用的な埋め込みモデルとして簡単に使用できる。
論文 参考訳(メタデータ) (2022-12-07T09:25:54Z) - Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。
我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
論文 参考訳(メタデータ) (2022-11-15T15:58:56Z) - VisFIS: Visual Feature Importance Supervision with
Right-for-the-Right-Reason Objectives [84.48039784446166]
モデルFI監督は、VQAモデルの精度と、Right-to-the-Right-Reasonメトリクスの性能を有意義に向上させることができることを示す。
我々の最高のパフォーマンス手法であるVisual Feature Importance Supervision (VisFIS)は、ベンチマークVQAデータセットで強いベースラインを上回ります。
説明が妥当で忠実な場合には予測がより正確になる。
論文 参考訳(メタデータ) (2022-06-22T17:02:01Z) - An Empirical Study on Distribution Shift Robustness From the Perspective
of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。
我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文 参考訳(メタデータ) (2022-05-25T13:04:53Z) - A Comparative Study on Forecasting of Retail Sales [0.0]
Walmartの過去の売上データに関する予測モデルをベンチマークし、今後の売上を予測する。
これらのモデルを予測課題データセット(KaggleによるM5予測)に適用する。
論文 参考訳(メタデータ) (2022-03-14T04:24:29Z) - M5Product: A Multi-modal Pretraining Benchmark for E-commercial Product
Downstream Tasks [94.80043324367858]
我々は600万以上のマルチモーダルペアからなるM5Productという大規模データセットをコントリビュートする。
M5Productには、画像、テキスト、テーブル、ビデオ、オーディオなど、複数のモードの豊富な情報が含まれている。
論文 参考訳(メタデータ) (2021-09-09T13:50:22Z) - M5 Competition Uncertainty: Overdispersion, distributional forecasting,
GAMLSS and beyond [0.0]
M5コンペティションのデータは、特に需要ゼロで、非常に過分散と散発的な需要に直面している。
本稿では,このような数列データプロセスの適切な確率予測に関するモデリング問題について論じる。
論文 参考訳(メタデータ) (2021-07-14T13:05:55Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳(メタデータ) (2021-07-07T15:50:18Z) - Correlated daily time series and forecasting in the M4 competition [1.5386852100353616]
我々は,5つの統計的予測手法のアンサンブルと,相関器と呼ぶ手法を用いた。
我々は,データ漏洩をその成功の理由の一つとして認識し,その原因は,時間間隔の異なるテストデータと,元の時系列の品質問題によるものである。
論文 参考訳(メタデータ) (2020-03-28T14:17:05Z)
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。