論文の概要: Comparing Prophet and Deep Learning to ARIMA in Forecasting Wholesale
Food Prices
- arxiv url: http://arxiv.org/abs/2107.12770v1
- Date: Fri, 23 Jul 2021 15:13:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 06:17:02.097730
- Title: Comparing Prophet and Deep Learning to ARIMA in Forecasting Wholesale
Food Prices
- Title(参考訳): 食料価格予測における予言と深層学習と有馬の比較
- Authors: Lorenzo Menculini, Andrea Marini, Massimiliano Proietti, Alberto
Garinei, Alessio Bozza, Cecilia Moretti, Marcello Marconi
- Abstract要約: イタリア食品問屋が適用した3種類の食品の販売価格を予測するために異なる手法を検討した。
ARIMAモデルを考えて、Facebookが開発したスケーラブルな予測ツールであるProphetと比較する。
この結果から, ARIMA は LSTM ニューラルネットワークと同等に動作し, CNN と LSTM を組み合わせることで, 全体的な精度が向上するが, 調整に要する時間が増大することがわかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Setting sale prices correctly is of great importance for firms, and the study
and forecast of prices time series is therefore a relevant topic not only from
a data science perspective but also from an economic and applicative one. In
this paper we exhamine different techniques to forecast the sale prices of
three food products applied by an Italian food wholesaler, as a step towards
the automation of pricing tasks usually taken care by human workforce. We
consider ARIMA models and compare them to Prophet, a scalable forecasting tool
developed by Facebook and based on a generalized additive model, and to deep
learning models based on Long Short--Term Memory (LSTM) and Convolutional
Neural Networks (CNNs). ARIMA models are frequently used in econometric
analyses, providing a good bechmark for the problem under study. Our results
indicate that ARIMA performs similarly to LSTM neural networks for the problem
under study, while the combination of CNNs and LSTMs attains the best overall
accuracy, but requires more time to be tuned. On the contrary, Prophet is very
fast to use, but less accurate.
- Abstract(参考訳): 販売価格を正しく設定することは企業にとって非常に重要であり、価格時系列の研究と予測は、データサイエンスの観点からだけでなく、経済的かつ応用的な視点からも関連する話題である。
本稿では,イタリア食品問屋が適用する食品3種の販売価格を予測するための異なる手法について検討する。
我々は、ARIMAモデルを検討し、それらを、Facebookが開発した拡張予測ツールであるProphetと、Long Short-Term Memory (LSTM)とConvolutional Neural Networks (CNN)に基づくディープラーニングモデルと比較する。
アリマモデルは計量分析でよく使われ、研究中の問題に良いベキマークを与えている。
この結果から, ARIMA は LSTM ニューラルネットワークと同等に動作し, CNN と LSTM を組み合わせることで, 全体的な精度は向上するが, 調整に要する時間が増大することがわかった。
逆にProphetは非常に速く使えるが、正確ではない。
関連論文リスト
- Indian Stock Market Prediction using Augmented Financial Intelligence ML [0.0]
本稿では,Superforecasters予測を付加した機械学習アルゴリズムを用いた価格予測モデルを提案する。
これらのモデルは平均絶対誤差を用いて予測精度を決定する。
主な目標は、予測不可能な変化や株価の変化を予想するスーパープレキャストの特定と予測の追跡である。
論文 参考訳(メタデータ) (2024-07-02T12:58:50Z) - PanGu-$\pi$: Enhancing Language Model Architectures via Nonlinearity
Compensation [97.78045712375047]
大規模言語モデル(LLM)のための新しい効率的なモデルアーキテクチャを提案する。
そこで,PanGu-$pi$-7Bは,約10%の推論速度を持つベンチマークに匹敵する性能が得られることを示す。
さらに,PanGu-$pi$-7Bを金融法と法律の高価値領域に導入し,実践的応用のためにYunShanというLLMを開発した。
論文 参考訳(メタデータ) (2023-12-27T11:49:24Z) - nanoLM: an Affordable LLM Pre-training Benchmark via Accurate Loss Prediction across Scales [65.01417261415833]
我々は,最大更新パラメトリゼーション(muP)がスケーリング法則の正確な適合を可能にするという観測に基づいて,事前学習損失を予測する手法を提案する。
トレーニング前コストの約14%で、52Bまでのモデルの損失を正確に予測できる。
NanoLMのゴールは、限られた資源を持つ研究者が大きなモデルで有意義な結論に達することを可能にすることです。
論文 参考訳(メタデータ) (2023-04-14T00:45:01Z) - Bi-LSTM Price Prediction based on Attention Mechanism [2.455751370157653]
我々は,金とビットコインという2つの一般的な資産をベースとした,注目機構に基づく双方向LSTMニューラルネットワークを提案する。
予測結果から2年間で1089.34%のリターンを得た。
また,本論文で提案したBi-LSTMモデルと従来のモデルとの比較を行い,本モデルが本データセットで最高の性能を示すことを示す。
論文 参考訳(メタデータ) (2022-12-07T03:56:11Z) - Non-Autoregressive Machine Translation: It's Not as Fast as it Seems [84.47091735503979]
NARモデルに関する文献にみられる評価手法の欠陥を指摘する。
我々はNARモデルと他の広く使われている効率向上手法を比較した。
我々は,今後の作業において,より現実的で広範なNARモデルの評価を求める。
論文 参考訳(メタデータ) (2022-05-04T09:30:17Z) - Stock Price Prediction Using Time Series, Econometric, Machine Learning,
and Deep Learning Models [0.0]
本稿では,株価予測のための時系列,エコノメトリ,各種学習モデルについて述べる。
2004年1月から2019年12月までのInfosys、ICICI、SUN PHARMAのデータは、ここでモデルのトレーニングとテストに使用された。
火星は最高の機械学習モデルであることが証明され、LSTMは最高のディープラーニングモデルであることが証明された。
論文 参考訳(メタデータ) (2021-11-01T17:17:52Z) - Exploring Sparse Expert Models and Beyond [51.90860155810848]
Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。
本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。
この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
論文 参考訳(メタデータ) (2021-05-31T16:12:44Z) - MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。
我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。
我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文 参考訳(メタデータ) (2020-09-29T11:56:01Z) - Demand Forecasting using Long Short-Term Memory Neural Networks [0.0]
長期記憶ニューラルネットワーク(LSTM)は,eグロサリー小売業における需要予測に適している。
統計モデルと機械学習モデルの比較モデルより, 食品のモデルの方がよい結果が得られた。
論文 参考訳(メタデータ) (2020-08-19T16:01:23Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z) - A Time Series Analysis-Based Stock Price Prediction Using Machine
Learning and Deep Learning Models [0.0]
我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。
当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。
統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
論文 参考訳(メタデータ) (2020-04-17T19:41:22Z)
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。