論文の概要: Deep Learning based Forecasting: a case study from the online fashion
industry
- arxiv url: http://arxiv.org/abs/2305.14406v1
- Date: Tue, 23 May 2023 13:30:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 00:13:47.333923
- Title: Deep Learning based Forecasting: a case study from the online fashion
industry
- Title(参考訳): ディープラーニングに基づく予測:オンラインファッション産業を事例として
- Authors: Manuel Kunz, Stefan Birr, Mones Raslan, Lei Ma, Zhen Li, Adele
Gouttes, Mateusz Koren, Tofigh Naghibi, Johannes Stephan, Mariia Bulycheva,
Matthias Grzeschik, Armin Keki\'c, Michael Narodovitch, Kashif Rasul, Julian
Sieber, Tim Januschowski
- Abstract要約: 本稿では,この予測問題に対するデータとモデリング手法の詳細と実験結果について述べる。
本稿では,この予測問題に対するデータとモデリング手法の詳細と実験結果について述べる。
- 参考スコア(独自算出の注目度): 7.694480564850072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Demand forecasting in the online fashion industry is particularly amendable
to global, data-driven forecasting models because of the industry's set of
particular challenges. These include the volume of data, the irregularity, the
high amount of turn-over in the catalog and the fixed inventory assumption.
While standard deep learning forecasting approaches cater for many of these,
the fixed inventory assumption requires a special treatment via controlling the
relationship between price and demand closely. In this case study, we describe
the data and our modelling approach for this forecasting problem in detail and
present empirical results that highlight the effectiveness of our approach.
- Abstract(参考訳): オンラインファッション業界の需要予測は、特に、業界特有の課題のセットのため、グローバルなデータ駆動予測モデルに修正可能である。
これには、データのボリューム、不規則性、カタログにおける高いターンオーバー量、固定在庫の仮定が含まれる。
標準的なディープラーニング予測アプローチはこれらの多くに対応するが、固定在庫仮定は価格と需要の関係を密接に制御することで特別な処理を必要とする。
このケーススタディでは、この予測問題に対するデータとモデリングアプローチを詳細に述べ、このアプローチの有効性を強調する実験結果を提示する。
関連論文リスト
- Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - A Bayesian approach to quantifying uncertainties and improving
generalizability in traffic prediction models [0.0]
本稿では,高一般化性を有する交通予測の不確実性を考慮したベイズ型リカレントニューラルネットワークフレームワークを提案する。
正規化は、モデルの複雑さを制御することによって、ディープニューラルネットワークのトレーニングプロセスを変化させることを示す。
特に交通管理アプリケーションでは,複数箇所にわたる交通状況の予測が目的である。
論文 参考訳(メタデータ) (2023-07-12T06:23:31Z) - 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) - Multimodal Neural Network For Demand Forecasting [0.8602553195689513]
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。
論文 参考訳(メタデータ) (2022-10-20T18:06:36Z) - Off-policy evaluation for learning-to-rank via interpolating the
item-position model and the position-based model [83.83064559894989]
産業レコメンデーションシステムにとって重要なニーズは、製品にデプロイする前に、レコメンデーションポリシーをオフラインで評価する機能である。
我々は、最も人気のある2つの非政治推定器の問題を緩和する新しい推定器を開発する。
特に、InterPOLと呼ばれる新しい推定器は、潜在的に不特定位置ベースモデルのバイアスに対処する。
論文 参考訳(メタデータ) (2022-10-15T17:22:30Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Measuring Causal Effects of Data Statistics on Language Model's
`Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。
トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。
我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文 参考訳(メタデータ) (2022-07-28T17:36:24Z) - 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) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-09-30T05:29:01Z) - Uncertainty Quantification for Demand Prediction in Contextual Dynamic
Pricing [20.828160401904697]
本研究では,需要関数に対する精度の高い信頼区間構築の問題について検討する。
偏りのあるアプローチを開発し、偏りのある推定器の正規性を保証する。
論文 参考訳(メタデータ) (2020-03-16T04:21:58Z) - Profit-oriented sales forecasting: a comparison of forecasting
techniques from a business perspective [3.613072342189595]
本稿では,コカ・コーラ社の産業界データと公開データセットの両方から成る35回連続のテクニックを比較検討する。
モデル構築と評価プロセスの両方において、テクニックが生成できる期待される利益を考慮に入れた、新しく完全に自動化された利益主導のアプローチを導入します。
論文 参考訳(メタデータ) (2020-02-03T14:50:24Z)
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。