論文の概要: Hierarchical Forecasting at Scale
- arxiv url: http://arxiv.org/abs/2310.12809v2
- Date: Mon, 26 Feb 2024 09:06:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 00:29:33.282815
- Title: Hierarchical Forecasting at Scale
- Title（参考訳）: 大規模階層予測
- Authors: Olivier Sprangers, Wander Wadman, Sebastian Schelter, Maarten de Rijke
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 55.658563862299495
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing hierarchical forecasting techniques scale poorly when the number of
time series increases. We propose to learn a coherent forecast for millions of
time series with a single bottom-level forecast model by using a sparse loss
function that directly optimizes the hierarchical product and/or temporal
structure. The benefit of our sparse hierarchical loss function is that it
provides practitioners a method of producing bottom-level forecasts that are
coherent to any chosen cross-sectional or temporal hierarchy. In addition,
removing the need for a post-processing step as required in traditional
hierarchical forecasting techniques reduces the computational cost of the
prediction phase in the forecasting pipeline. On the public M5 dataset, our
sparse hierarchical loss function performs up to 10% (RMSE) better compared to
the baseline loss function. We implement our sparse hierarchical loss function
within an existing forecasting model at bol, a large European e-commerce
platform, resulting in an improved forecasting performance of 2% at the product
level. Finally, we found an increase in forecasting performance of about 5-10%
when evaluating the forecasting performance across the cross-sectional
hierarchies that we defined. These results demonstrate the usefulness of our
sparse hierarchical loss applied to a production forecasting system at a major
e-commerce platform.
- Abstract（参考訳）: 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。
階層的製品および/または時間的構造を直接最適化するスパース損失関数を用いて,単一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予測を学習する。
スパース階層的損失関数の利点は、実践者が選択した横断的階層や時間的階層に一貫性のあるボトムレベル予測を生成する方法を提供することである。
さらに,従来の階層予測技術で必要とされる処理後ステップの不要化により,予測パイプラインの予測フェーズの計算コストが低減される。
一般のM5データセットでは,我々のスパース階層的損失関数は,ベースライン損失関数よりも10%(RMSE)高い性能を示した。
欧州の大規模なeコマースプラットフォームであるbolでは,既存の予測モデルに疎い階層的損失関数を実装することで,製品レベルでの予測性能が2%向上しました。
最後に, 断面階層間の予測性能を評価する際に, 予測性能が約5～10%向上することを発見した。
これらの結果は,大手電子商取引プラットフォームにおける生産予測システムに適用したスパース階層的損失の有用性を示すものである。
関連論文リスト
- 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) - 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) - Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
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。
論文 参考訳（メタデータ） (2023-05-02T14:34:34Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - 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) - Forecasting reconciliation with a top-down alignment of independent
level forecasts [3.600932575533886]
全体予測性能は,下層部における断続時系列の予測精度に大きく影響している。
本稿では,階層の上層部における予測精度を高めるため,底面予測を潜時として扱う予測調整手法を提案する。
論文 参考訳（メタデータ） (2021-03-15T10:00:23Z) - A Multi-Phase Approach for Product Hierarchy Forecasting in Supply Chain
Management: Application to MonarchFx Inc [9.290757451344673]
本稿では,階層的サプライチェーンの予測を改善するために,新しい多相階層型アプローチを提案する。
提案手法を用いた予測精度は82-90%向上した。
論文 参考訳（メタデータ） (2020-06-16T05:26:11Z) - Hierarchical robust aggregation of sales forecasts at aggregated levels
in e-commerce, based on exponential smoothing and Holt's linear trend method [0.0]
我々は、異なる(集合の)パラメータで調整された古典技法のいくつかの例から与えられるアンサンブル予測を考える。
本手法を,電子商取引会社Cdiscountが提供する階層的な販売データセットに適用する。
この性能は、電車のセットで古典的なテクニックを最適にチューニングすることで得られるものよりも優れている。
論文 参考訳（メタデータ） (2020-06-05T11:20:25Z) - A machine learning approach for forecasting hierarchical time series [4.157415305926584]
階層時系列を予測するための機械学習手法を提案する。
予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。
我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
論文 参考訳（メタデータ） (2020-05-31T22:26:16Z)
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。