論文の概要: Hierarchical Bayesian Regression for Multi-Location Sales Transaction Forecasting

• arxiv url: http://arxiv.org/abs/2306.17795v1
• Date: Fri, 30 Jun 2023 16:53:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-03 11:48:35.346227
• Title: Hierarchical Bayesian Regression for Multi-Location Sales Transaction Forecasting
• Title（参考訳）: 多地点販売取引予測のための階層ベイズ回帰
• Authors: John Mark Agosta and Mario Inchiosa
• Abstract要約: 階層的なベイズモデルが、店のフランチャイズで1日を通して購入を予測し、その場所や週の日をグループ化する方法を示す。 この手法は,データに制限があるというジレンマを解消し,その結果,日や場所の精度が低くなるとともに,精度を向上して多数の場所に拡張可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The features in many prediction models naturally take the form of a hierarchy. The lower levels represent individuals or events. These units group naturally into locations and intervals or other aggregates, often at multiple levels. Levels of groupings may intersect and join, much as relational database tables do. Besides representing the structure of the data, predictive features in hierarchical models can be assigned to their proper levels. Such models lend themselves to hierarchical Bayes solution methods that ``share'' results of inference between groups by generalizing over the case of individual models for each group versus one model that aggregates all groups into one. In this paper we show our work-in-progress applying a hierarchical Bayesian model to forecast purchases throughout the day at store franchises, with groupings over locations and days of the week. We demonstrate using the \textsf{stan} package on individual sales transaction data collected over the course of a year. We show how this solves the dilemma of having limited data and hence modest accuracy for each day and location, while being able to scale to a large number of locations with improved accuracy.
• Abstract（参考訳）: 多くの予測モデルの特徴は、自然に階層の形式を取る。 下位レベルは個人またはイベントを表す。 これらの単位は自然に位置や間隔にグループ化され、しばしば複数のレベルで集約される。 関係データベーステーブルのように、グループ化のレベルが交差して結合することもある。 データの構造を表現することに加えて、階層モデルの予測的特徴を適切なレベルに割り当てることができる。 このようなモデルは、すべてのグループを1つに集約する1つのモデルに対して、各グループの個別モデルの場合を一般化することで、グループ間の推論の結果を ``share''' する階層的ベイズ解法に役立ちます。 本稿では,階層型ベイズモデルを用いて店舗フランチャイズにおける1日1日あたりの購買予測を行い,その場所や日数についてグループ分けを行った。 一年間に収集した個々の販売取引データに対して, textsf{stan}パッケージを用いて実演する。 この手法は,データに制限があるというジレンマを解消し,その結果,日や場所の精度が低くなるとともに,精度を向上して多数の場所に拡張可能であることを示す。

関連論文リスト

• Towards More Practical Group Activity Detection: A New Benchmark and Model [61.39427407758131]
  グループアクティビティ検出(グループアクティビティ検出、英: Group Activity Detection、GAD)は、ビデオにおいて、各グループのメンバを特定し、同時にグループのアクティビティを分類するタスクである。 私たちはCaf'eと呼ばれる新しいデータセットを提示し、より実用的なシナリオとメトリクスを提示します。 また、未知数のグループと潜在グループメンバーを効率的に効率的に扱う新しいGADモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-05T16:48:17Z)
• Anchor Points: Benchmarking Models with Much Fewer Examples [88.02417913161356]
  6つの人気のある言語分類ベンチマークでは、多数の点の正しいクラスに対するモデル信頼度はモデル間で強く相関している。 Anchor Point Selectionは,データセット全体にわたるモデル動作をキャプチャする,データセットの小さなサブセットを選択する手法である。 平均絶対誤差が低いデータセットの他のすべての点について、クラスごとの予測モデルを推定するために、いくつかのアンカーポイントを使用することができる。
  論文  参考訳（メタデータ） (2023-09-14T17:45:51Z)
• Hierarchical Time Series Forecasting with Bayesian Modeling [0.0]
  時系列は階層的に構成されることが多く、例えば、会社の売上は異なる地域に分割され、各地域は異なる店舗に分割されることがある。 ある場合、階層内の系列の数は1つのモデルに収まるには大きすぎるため、関連する時間で予測を生成することができず、分散化されたアプローチは有益である。 この方法の1つの方法は、各系列と、階層によって示されるいくつかの要約統計系列(例えば、全系列の和)の独立予測モデルを訓練し、それらのモデルを調停アルゴリズムに渡して、系列間で情報を共有することでこれらの予測を改善することである。
  論文  参考訳（メタデータ） (2023-08-28T17:20:47Z)
• Deep incremental learning models for financial temporal tabular datasets with distribution shifts [0.9790236766474201]
  このフレームワークは、単純な基本的なビルディングブロック(決定木)を使用して、必要な複雑さの自己相似モデルを構築する。 我々は,NumeraiデータセットでトレーニングしたXGBoostモデルを用いて提案手法を実証し,異なるモデルスナップショット上での2層のXGBoostモデルの深部アンサンブルが高品質な予測を提供することを示す。
  論文  参考訳（メタデータ） (2023-03-14T14:10:37Z)
• Data-IQ: Characterizing subgroups with heterogeneous outcomes in tabular data [81.43750358586072]
  本稿では,サンプルをサブグループに体系的に階層化するフレームワークであるData-IQを提案する。 実世界の4つの医療データセットに対するData-IQの利点を実験的に実証した。
  論文  参考訳（メタデータ） (2022-10-24T08:57:55Z)
• Estimating Structural Disparities for Face Models [54.062512989859265]
  機械学習では、異なるサブ人口間でのモデルの性能や結果の差を測定することで、しばしば異質度の測定が定義される。 本研究では、人間の顔に訓練されたコンピュータビジョンモデルや、顔属性予測や影響推定などのタスクについて、そのような分析を行う。
  論文  参考訳（メタデータ） (2022-04-13T05:30:53Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• MECATS: Mixture-of-Experts for Quantile Forecasts of Aggregated Time Series [11.826510794042548]
  我々はtexttMECATS という異種の専門家フレームワークを混合して導入する。 集約階層を通じて関連付けられた時系列の集合の値を同時に予測する。 異なる種類の予測モデルを個別の専門家として使用することで、各モデルの形式を対応する時系列の性質に合わせて調整することができる。
  論文  参考訳（メタデータ） (2021-12-22T05:05:30Z)
• Partial Order in Chaos: Consensus on Feature Attributions in the Rashomon Set [50.67431815647126]
  ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。 この手法により局所的・言語的特徴の半順序が生じることを示す。 これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
  論文  参考訳（メタデータ） (2021-10-26T02:53:14Z)
• Probabilistic Hierarchical Forecasting with Deep Poisson Mixtures [2.1670528702668648]
  本稿では,信頼性の高い階層情報が存在する場合に,時系列の正確で一貫性のある確率予測を行う新しい手法を提案する。 私たちはそれをDeep Poisson Mixture Network(DPMN)と呼ぶ。 ニューラルネットワークと階層時系列構造の結合分布の統計モデルの組み合わせに依存している。
  論文  参考訳（メタデータ） (2021-10-25T18:02:03Z)
• Hierarchical Few-Shot Generative Models [18.216729811514718]
  本稿では,ニューラルネットワークを階層的なアプローチに拡張する潜伏変数のアプローチについて検討する。 以上の結果から,階層的な定式化は,小データ構造における集合内の内在的変動をよりよく捉えることが示唆された。
  論文  参考訳（メタデータ） (2021-10-23T19:19:39Z)

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。