論文の概要: Multimodal Neural Network For Demand Forecasting
- arxiv url: http://arxiv.org/abs/2210.11502v1
- Date: Thu, 20 Oct 2022 18:06:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 13:52:00.841537
- Title: Multimodal Neural Network For Demand Forecasting
- Title(参考訳): 需要予測のためのマルチモーダルニューラルネットワーク
- Authors: Nitesh Kumar, Kumar Dheenadayalan, Suprabath Reddy, Sumant Kulkarni
- Abstract要約: 本稿では,ニュース記事からのリアルタイムイベントと,過去のセールスやホリデー情報といった従来のデータを組み合わせたマルチモーダルセールス予測ネットワークを提案する。
従来の販売予測手法と比較して,SMAPEの誤差測定値の平均改善率は7.37%と統計的に有意な改善を示した。
- 参考スコア(独自算出の注目度): 0.8602553195689513
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Demand forecasting applications have immensely benefited from the
state-of-the-art Deep Learning methods used for time series forecasting.
Traditional uni-modal models are predominantly seasonality driven which attempt
to model the demand as a function of historic sales along with information on
holidays and promotional events. However, accurate and robust sales forecasting
calls for accommodating multiple other factors, such as natural calamities,
pandemics, elections, etc., impacting the demand for products and product
categories in general. We propose a multi-modal sales forecasting network that
combines real-life events from news articles with traditional data such as
historical sales and holiday information. Further, we fuse information from
general product trends published by Google trends. Empirical results show
statistically significant improvements in the SMAPE error metric with an
average improvement of 7.37% against the existing state-of-the-art sales
forecasting techniques on a real-world supermarket dataset.
- Abstract(参考訳): 需要予測アプリケーションは、時系列予測に使用される最先端のディープラーニング手法から大いに恩恵を受けている。
伝統的なユニモーダルモデルは、主に季節性が駆動され、休日やプロモーションイベントに関する情報とともに、需要を歴史的販売の機能としてモデル化しようとする。
しかし、正確でロバストな販売予測では、自然災害、パンデミック、選挙など他の複数の要因を調整し、製品や製品カテゴリー全般の需要に影響を及ぼすよう求めている。
本稿では,ニュース記事からのリアルタイムイベントと,過去のセールス情報やホリデー情報などの従来のデータを組み合わせたマルチモーダルセールス予測ネットワークを提案する。
さらに、google trendsが公開した一般的な製品トレンドから情報を融合する。
実世界のスーパーマーケットデータセットにおける既存販売予測技術と比較して,SMAPEの誤差測定値の平均は7.37%,統計的に有意な改善が見られた。
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) - 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) - Multimodal Temporal Fusion Transformers Are Good Product Demand
Forecasters [18.52252059555198]
マルチモーダル需要予測は, 視覚情報, テキスト情報, コンテキスト情報を用いた製品需要予測を目的とした。
本稿では,畳み込み,グラフベース,トランスフォーマーベースのアーキテクチャを用いたマルチモーダル製品需要予測手法を提案する。
論文 参考訳(メタデータ) (2023-07-05T18:23:13Z) - 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) - 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) - 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) - 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) - 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) - Leveraging Multiple Relations for Fashion Trend Forecasting Based on
Social Media [72.06420633156479]
Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。
KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。
長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
論文 参考訳(メタデータ) (2021-05-07T14:52:03Z) - 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。