論文の概要: Reframing demand forecasting: a two-fold approach for lumpy and intermittent demand

• arxiv url: http://arxiv.org/abs/2103.13812v1
• Date: Tue, 23 Mar 2021 17:57:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:32:17.613651
• Title: Reframing demand forecasting: a two-fold approach for lumpy and intermittent demand
• Title（参考訳）: リフレーミング需要予測--間欠需要と間欠需要の2倍のアプローチ
• Authors: Jo\v{z}e M. Ro\v{z}anec, Dunja Mladeni\'c
• Abstract要約: その結果,競争需要予測は,需要発生予測と需要規模推定の2つのモデルによって得られることがわかった。 本研究は,需要イベントの発生予測において,グローバル分類モデルが最善の選択であることを示す。 欧州の自動車オリジナル機器メーカーの日頃の需要に対応する516年3年間の時系列からなる現実世界のデータに関するアプローチをテストしました。
• 参考スコア（独自算出の注目度）: 0.9137554315375922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Demand forecasting is a crucial component of demand management. While shortening the forecasting horizon allows for more recent data and less uncertainty, this frequently means lower data aggregation levels and a more significant data sparsity. Sparse demand data usually results in lumpy or intermittent demand patterns, which have sparse and irregular demand intervals. Usual statistical and machine learning models fail to provide good forecasts in such scenarios. Our research shows that competitive demand forecasts can be obtained through two models: predicting the demand occurrence and estimating the demand size. We analyze the usage of local and global machine learning models for both cases and compare results against baseline methods. Finally, we propose a novel evaluation criterion of lumpy and intermittent demand forecasting models' performance. Our research shows that global classification models are the best choice when predicting demand event occurrence. When predicting demand sizes, we achieved the best results using Simple Exponential Smoothing forecast. We tested our approach on real-world data consisting of 516 three-year-long time series corresponding to European automotive original equipment manufacturers' daily demand.
• Abstract（参考訳）: 需要予測は需要管理の重要な要素である。 予測の地平線を短くすることで、より最近のデータと不確実性が少なくなりますが、これはしばしば、データ集約レベルを低くし、より重要なデータスパリティを意味します。 スパース需要データは通常、スパースと不規則な需要間隔を持つ欠如または断続的な需要パターンをもたらす。 統計モデルと機械学習モデルでは、このようなシナリオでは良い予測が得られない。 本研究は,需要発生予測と需要規模推定の2つのモデルにより,競争需要予測が得られることを示す。 本研究では,局所的およびグローバルな機械学習モデルの利用状況を分析し,ベースライン手法と比較する。 最後に,塊状および間欠的な需要予測モデルの性能評価基準を提案する。 本研究は,需要イベントの発生予測において,グローバル分類モデルが最善の選択であることを示す。 需要規模を予測する際には, 簡易指数平滑化予測を用いて最適な結果を得た。 我々は,ヨーロッパの自動車機器メーカーの日常需要に対応する3年連続時系列516を用いて,実世界のデータに対するアプローチを検証した。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• 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)
• A Scalable and Transferable Time Series Prediction Framework for Demand Forecasting [24.06534393565697]
  時系列予測は多くのビジネス問題において最も不可欠でユビキタスなタスクの1つである。 本稿では,多種多様なアイテムの今後の需要を正確に予測できる,シンプルかつ強力なフレームワークであるフォレスティング・オーケストラ(Forchestra)を提案する。
  論文  参考訳（メタデータ） (2024-02-29T18:01:07Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Attention-Based Ensemble Pooling for Time Series Forecasting [55.2480439325792]
  本稿では,候補モデル予測よりも重み付き平均値を実行するプーリング法を提案する。 本手法は,非定常ロレンツ63方程式の動力学の多段階予測と,COVID-19による週次死亡事故の1段階予測という2つの時系列予測問題に対して試行する。
  論文  参考訳（メタデータ） (2023-10-24T22:59:56Z)
• End-to-End Demand Response Model Identification and Baseline Estimation with Deep Learning [3.553493344868414]
  本稿では,需要ベースラインとインセンティブに基づくエージェント要求応答モデルを同時に識別する,エンドツーエンドのディープラーニングフレームワークを提案する。 提案手法の有効性を,合成需要応答トレースと大規模実世界の需要応答データセットを用いた計算実験により実証する。
  論文  参考訳（メタデータ） (2021-09-02T06:43:37Z)
• 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)
• Intermittent Demand Forecasting with Renewal Processes [16.079036729678716]
  我々は、断続的な需要予測モデルを構築するための新しい統合されたフレームワークを導入する。 我々のフレームワークは、よく確立されたモデルベースのメソッドから離散時間更新プロセスへの拡張に基づいている。 様々なシナリオで予測精度を報告し,その有効性を比較検討した。
  論文  参考訳（メタデータ） (2020-10-04T11:32:54Z)
• A New Metric for Lumpy and Intermittent Demand Forecasts: Stock-keeping-oriented Prediction Error Costs [0.0]
  本稿では,製品需要予測のための新しい指標を提案する。 この指標は自動車のアフターマーケットからのシミュレーションと実際の需要時系列に基づいている。
  論文  参考訳（メタデータ） (2020-04-22T12:50:24Z)

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。