Fugu-MT 論文翻訳(概要): An XGBoost-Based Forecasting Framework for Product Cannibalization

論文の概要: An XGBoost-Based Forecasting Framework for Product Cannibalization

arxiv url: http://arxiv.org/abs/2111.12680v1
Date: Wed, 24 Nov 2021 18:29:38 GMT
ステータス: 処理完了
システム内更新日: 2021-11-25 14:40:47.349630
Title: An XGBoost-Based Forecasting Framework for Product Cannibalization
Title（参考訳）: 製品共食いのためのXGBoostベースの予測フレームワーク
Authors: Gautham Bekal, Mohammad Bari
Abstract要約: 本稿では,XGBoostをベースとした製品共食い問題と関連する長期エラー伝搬問題に対処する3段階フレームワークを提案する。提案した3段階のXGBoostベースのフレームワークの性能は,通常のXGBoostアルゴリズムよりも優れていた。
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: Two major challenges in demand forecasting are product cannibalization and long term forecasting. Product cannibalization is a phenomenon in which high demand of some products leads to reduction in sales of other products. Long term forecasting involves forecasting the sales over longer time frame that is critical for strategic business purposes. Also, conventional methods, for instance, recurrent neural networks may be ineffective where train data size is small as in the case in this study. This work presents XGBoost-based three-stage framework that addresses product cannibalization and associated long term error propagation problems. The performance of the proposed three-stage XGBoost-based framework is compared to and is found superior than that of regular XGBoost algorithm.
Abstract（参考訳）: 需要予測における2つの大きな課題は、製品共食いと長期予測である。商品の共食いは、一部の製品の高い需要が他の製品の販売を減少させる現象である。長期的な予測は、戦略的なビジネス目的にとって重要な、長期にわたる販売予測を伴う。また、従来の手法、例えば、リカレントニューラルネットワークは、本研究のように列車データのサイズが小さい場合に有効ではない可能性がある。本稿では,XGBoostをベースとした製品共食い問題と関連する長期エラー伝搬問題に対処する3段階フレームワークを提案する。提案した3段階のXGBoostベースのフレームワークの性能は,通常のXGBoostアルゴリズムよりも優れていた。

関連論文リスト

Unlocking Your Sales Insights: Advanced XGBoost Forecasting Models for Amazon Products [11.309196049601145]
我々は、XGBoostモデルを活用して、Amazonプラットフォーム上での家電製品の予測販売に挑戦するソリューションを紹介した。その結果,XGBoostは従来のモデルに比べて優れた予測性能を示した。
論文参考訳（メタデータ） (2024-11-01T09:14:33Z)
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)
It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
論文参考訳（メタデータ） (2023-12-27T10:44:58Z)
Hierarchical Forecasting at Scale [55.658563862299495]
既存の階層予測技術は、時系列の数が増加するとスケールが低下する。我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
論文参考訳（メタデータ） (2023-10-19T15:06:31Z)
Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM [9.788039182463768]
時系列上での傾向と季節成分のユニークな影響を示すための新しい尺度を提案する。実験の結果,提案手法は精度を向上できることがわかった。
論文参考訳（メタデータ） (2023-05-26T18:49:42Z)
Confident Adaptive Language Modeling [95.45272377648773]
CALMは、入力と生成時間ごとに異なる量の計算を動的に割り当てるフレームワークである。ハイパフォーマンスを確実に維持しつつ、計算能力、潜在的スピードアップを最大3ドルまで削減する上で、我々のフレームワークの有効性を実証する。
論文参考訳（メタデータ） (2022-07-14T17:00:19Z)
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)
Forecasting sales with Bayesian networks: a case study of a supermarket product in the presence of promotions [0.0]
本研究では,価格,プロモーションの種類,製品立地といった要素の組み合わせが売上に与える影響を予測するためのBNモデルを構築した。本稿では,特にプロモーションにおいて,BNが販売予測に有効であることを確認した。
論文参考訳（メタデータ） (2021-12-16T08:52:22Z)
Theoretical Analysis of an XGBoost Framework for Product Cannibalization [0.0]
本稿では,製品共食いシナリオ下での販売予測のための3段階XGBoostアルゴリズムを提案する。そこで本研究では,アルゴリズムを手短に検証し,その動作の背後にある数学的推論を行う。
論文参考訳（メタデータ） (2021-12-02T19:22:00Z)
Towards Better Long-range Time Series Forecasting using Generative Adversarial Networks [40.662116703422846]
本研究では,CWGAN(Conditional Wasserstein GAN)を用いてエラーペナルティ項を増大させ,高品質な合成時系列データを生成するための新たな生成モデルを提案する。このような合成データを用いて、生成予測(GenF)と呼ばれる長距離予測手法を開発する。
論文参考訳（メタデータ） (2021-10-17T09:13:45Z)
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。