論文の概要: Forecast reconciliation for vaccine supply chain optimization

• arxiv url: http://arxiv.org/abs/2305.01455v1
• Date: Tue, 2 May 2023 14:34:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-03 14:17:08.373129
• Title: Forecast reconciliation for vaccine supply chain optimization
• Title（参考訳）: ワクチンサプライチェーン最適化のための予測調整
• Authors: Bhanu Angam, Alessandro Beretta, Eli De Poorter, Matthieu Duvinage, Daniel Peralta
• Abstract要約: ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
• 参考スコア（独自算出の注目度）: 61.13962963550403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vaccine supply chain optimization can benefit from hierarchical time series forecasting, when grouping the vaccines by type or location. However, forecasts of different hierarchy levels become incoherent when higher levels do not match the sum of the lower levels forecasts, which can be addressed by reconciliation methods. In this paper, we tackle the vaccine sale forecasting problem by modeling sales data from GSK between 2010 and 2021 as a hierarchical time series. After forecasting future values with several ARIMA models, we systematically compare the performance of various reconciliation methods, using statistical tests. We also compare the performance of the forecast before and after COVID. The results highlight Minimum Trace and Weighted Least Squares with Structural scaling as the best performing methods, which provided a coherent forecast while reducing the forecast error of the baseline ARIMA.
• Abstract（参考訳）: ワクチンサプライチェーン最適化は、ワクチンをタイプまたは場所別にグループ化する際に、階層的な時系列予測の恩恵を受ける。 しかし、階層レベルの異なる予測は、高いレベルの予測が低いレベルの予測の総和と一致しない場合に不整合となる。 本稿では,2010年から2021年にかけてのGSKの販売データを階層時系列としてモデル化し,ワクチン販売予測問題に取り組む。 いくつかのARIMAモデルで将来の値を予測した後、統計的テストを用いて様々な和解手法の性能を体系的に比較する。 また、COVID-19前後の予測のパフォーマンスも比較する。 その結果,ARIMAの予測誤差を低減しつつ,コヒーレントな予測を行う手法として,構造スケーリングを用いた最小トレースと重み付き最小正方形に着目した。

関連論文リスト

• Forecasting with Deep Learning: Beyond Average of Average of Average Performance [0.393259574660092]
  予測モデルの評価と比較の現在のプラクティスは、パフォーマンスを1つのスコアにまとめることに集中しています。 複数の視点からモデルを評価するための新しいフレームワークを提案する。 このフレームワークの利点は、最先端のディープラーニングアプローチと古典的な予測手法を比較して示す。
  論文  参考訳（メタデータ） (2024-06-24T12:28:22Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Random Forest of Epidemiological Models for Influenza Forecasting [7.050453841068465]
  本稿では,ベースラインモデルSIkJalphaの個々の予測子を利用して,その性能を向上させるツリーアンサンブルモデルの設計を提案する。 我々は、ランダムフォレストに基づくアプローチが、平均絶対誤差、カバレッジ、重み付き間隔スコアの観点から、個々の予測者の予測を改善することを実証した。
  論文  参考訳（メタデータ） (2022-06-17T18:47:40Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Long Range Probabilistic Forecasting in Time-Series using High Order Statistics [19.12411040726229]
  本稿では,ベースレベルとアグリゲーション統計量で一致した予測を生成する新しい確率予測手法を提案する。 提案手法は,3つの領域にまたがる実際のデータセットにおいて,ベースレベルと非表示アグリゲーションの両方で予測性能を向上することを示す。
  論文  参考訳（メタデータ） (2021-11-05T11:10:35Z)
• Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases [0.5849513679510832]
  2019年12月の新型コロナウイルスの感染は、すでに世界中で数百万人を感染させ、拡大し続けています。 流行のカーブが平ら化し始めた直後、多くの国が再びケースの増加を目撃し始めている。 したがって、国家当局や保健当局に将来の時代の即時戦略を提供するには、時系列予測モデルの徹底的な分析が必要です。
  論文  参考訳（メタデータ） (2021-05-05T14:56:27Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• Machine learning for total cloud cover prediction [0.0]
  本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。 生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。 RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
  論文  参考訳（メタデータ） (2020-01-16T17:13:37Z)

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。