論文の概要: The challenges and realities of retailing in a COVID-19 world: Identifying trending and Vital During Crisis keywords during Covid-19 using Machine Learning (Austria as a case study)

• arxiv url: http://arxiv.org/abs/2105.07876v1
• Date: Mon, 10 May 2021 18:31:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 07:13:04.387045
• Title: The challenges and realities of retailing in a COVID-19 world: Identifying trending and Vital During Crisis keywords during Covid-19 using Machine Learning (Austria as a case study)
• Title（参考訳）: 新型コロナウイルス(covid-19)世界における小売業の課題と現実 : 機械学習(austriaを事例として)による危機キーワードの識別
• Authors: Reda Mastouri Et Al., Joseph Gilkey
• Abstract要約: 将来予測の監査は季節性を重視しているため、トレンドベースのベンチマークに対する予測を選択することが推奨されている。 予測モデルは、サプライチェーン全体のエンドツーエンドのリアルタイム監視を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: From global pandemics to geopolitical turmoil, leaders in logistics, product allocation, procurement and operations are facing increasing difficulty with safeguarding their organizations against supply chain vulnerabilities. It is recommended to opt for forecasting against trending based benchmark because auditing a future forecast puts more focus on seasonality. The forecasting models provide with end-to-end, real time oversight of the entire supply chain, while utilizing predictive analytics and artificial intelligence to identify potential disruptions before they occur. By combining internal and external data points, coming up with an AI-enabled modelling engine can greatly reduce risk by helping retail companies proactively respond to supply and demand variability. This research paper puts focus on creating an ingenious way to tackle the impact of COVID19 on Supply chain, product allocation, trending and seasonality. Key words: Supply chain, covid-19, forecasting, coronavirus, manufacturing, seasonality, trending, retail.
• Abstract（参考訳）: 世界的なパンデミックから地政学的な混乱まで、物流、製品配分、調達、運用のリーダーたちは、サプライチェーンの脆弱性から組織を守ることの難しさに直面している。 将来予測の監査は季節性を重視しているため、トレンドベースのベンチマークに対する予測を選択することが推奨されている。 予測モデルは、サプライチェーン全体をエンドツーエンドでリアルタイムに監視し、予測分析と人工知能を活用して、発生前の潜在的破壊を識別する。 内部と外部のデータポイントを組み合わせることで、AI対応のモデリングエンジンが登場すれば、小売企業が供給と需要の変動に積極的に対応できるようにすることで、リスクを大幅に削減できる。 本研究は、サプライチェーン、製品アロケーション、トレンド、季節性に対するCOVID-19の影響に対処する、巧妙な方法の創出に焦点をあてる。 主な言葉:サプライチェーン、コビッド-19、予測、新型コロナウイルス、製造、季節性、トレンド、小売。

関連論文リスト

• Enhancing Supply Chain Visibility with Knowledge Graphs and Large Language Models [49.898152180805454]
  本稿では,サプライチェーンの可視性を高めるために,知識グラフ(KG)と大規模言語モデル(LLM)を活用した新しいフレームワークを提案する。 我々のゼロショットLPM駆動アプローチは、様々な公共情報源からのサプライチェーン情報の抽出を自動化する。 NERとREタスクの精度が高く、複雑な多層供給ネットワークを理解する効果的なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-05T17:11:29Z)
• 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)
• Evaluating Supply Chain Resilience During Pandemic Using Agent-based Simulation [0.8158530638728501]
  将来のパンデミックは、短期的な利益性と長期的なサプライチェーンのレジリエンス計画の間に、企業オーナーのジレンマを生じさせる。 本稿では,サセプティブル・インフェクト・リカバード(SIR)疫学モデルとサプライ・アンド・デマンド・エコノミーモデルを統合したエージェント・ベース・シミュレーションモデルを提案する。 サプライチェーンのレジリエンスに対するバランスの取れたアプローチは、パンデミック時と非パンデミック時の両方において、極端な戦略よりも優れていることが分かりました。
  論文  参考訳（メタデータ） (2024-05-13T18:32:28Z)
• A Knowledge Graph Perspective on Supply Chain Resilience [15.028130016717773]
  世界的な危機と規制の進展はサプライチェーンの透明性とレジリエンスを高める必要がある。 サプライチェーンに関する情報、特により深いレベルでは、しばしば不透明で不完全である。 異なるデータソースを接続することにより、サプライネットワークを知識グラフとしてモデル化し、ティア3サプライヤーへの透明性を実現する。
  論文  参考訳（メタデータ） (2023-05-15T10:14:30Z)
• Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption [2.294014185517203]
  新型コロナウイルスのパンデミックや政治的・地域的な紛争が世界的なサプライチェーンに大きな打撃を与えている。 正確な可用性の予測は 物流運用を成功させる上で 重要な役割を担います 簡易回帰、ラッソ回帰、リッジ回帰、弾性ネット、ランダムフォレスト(RF)、グラディエントブースティングマシン(GBM)、ニューラルネットワークモデルなど、いくつかの回帰モデルを評価する。
  論文  参考訳（メタデータ） (2023-04-28T15:22:20Z)
• A Simulation Environment and Reinforcement Learning Method for Waste Reduction [50.545552995521774]
  本稿では, 流通の観点から, 食料品店の在庫を消耗品で補充する際の問題点を考察する。 目的は、ごみを最小化しながら販売を最大化することであり、衣料品の実際の消費について不確実性がある。 我々は, エージェントの行動に合わせた行動を示す新しい強化学習タスクとして, 在庫再備の枠組みを定めている。
  論文  参考訳（メタデータ） (2022-05-30T22:48:57Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• Discovering Supply Chain Links with Augmented Intelligence [0.0]
  本稿では、グラフニューラルネットワーク(GNN)を用いて、これまで知られていなかったサプライヤーや顧客を予測する問題に取り組む。 我々は、我々のモデルの予測とサプライチェーンアナリストのドメインの専門知識を組み合わせることで、これまで未知のコネクションを見つける上で、強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-11-02T20:30:14Z)
• Data Considerations in Graph Representation Learning for Supply Chain Networks [64.72135325074963]
  本稿では,隠れた依存関係リンクを明らかにするためのグラフ表現学習手法を提案する。 本稿では,グローバルな自動車サプライチェーンネットワークのリンク予測における最先端の性能向上を実証する。
  論文  参考訳（メタデータ） (2021-07-22T12:28:15Z)
• Implementing Reinforcement Learning Algorithms in Retail Supply Chains with OpenAI Gym Toolkit [0.0]
  予期せぬ環境に対応するシステムのトレーニング能力を備えた強化学習(rl)が小売サプライチェーン管理(scm)に採用されている。 本稿では,プライチェーン予測におけるRLの適用について検討し,OpenAI Gymツールキットを用いて適切なRLモデルとアルゴリズムを構築する方法について述べる。
  論文  参考訳（メタデータ） (2021-04-27T03:35:42Z)
• Predicting seasonal influenza using supermarket retail records [59.18952050885709]
  我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。 SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
  論文  参考訳（メタデータ） (2020-12-08T16:30:43Z)

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。