論文の概要: Cross-Temporal Forecast Reconciliation at Digital Platforms with Machine
Learning
- arxiv url: http://arxiv.org/abs/2402.09033v1
- Date: Wed, 14 Feb 2024 09:16:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 16:19:49.479505
- Title: Cross-Temporal Forecast Reconciliation at Digital Platforms with Machine
Learning
- Title(参考訳): 機械学習を用いたデジタルプラットフォームにおける時間横断予測再調整
- Authors: Jeroen Rombouts and Marie Ternes and Ines Wilms
- Abstract要約: 非線形階層的予測整合法を導入し,時間的相互整合予測を直接的かつ自動的に生成する。
ヨーロッパの主要なオンデマンドデリバリプラットフォームから,ユニークな大規模ストリーミングデータセット上で,当社のフレームワークを実証的にテストしています。
- 参考スコア(独自算出の注目度): 2.094821665776961
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Platform businesses operate on a digital core and their decision making
requires high-dimensional accurate forecast streams at different levels of
cross-sectional (e.g., geographical regions) and temporal aggregation (e.g.,
minutes to days). It also necessitates coherent forecasts across all levels of
the hierarchy to ensure aligned decision making across different planning units
such as pricing, product, controlling and strategy. Given that platform data
streams feature complex characteristics and interdependencies, we introduce a
non-linear hierarchical forecast reconciliation method that produces
cross-temporal reconciled forecasts in a direct and automated way through the
use of popular machine learning methods. The method is sufficiently fast to
allow forecast-based high-frequency decision making that platforms require. We
empirically test our framework on a unique, large-scale streaming dataset from
a leading on-demand delivery platform in Europe.
- Abstract(参考訳): プラットフォームビジネスはデジタルコア上で動作し、意思決定には、断面(例えば、地理的領域)と時間集約(例えば、数分から数日)の異なるレベルでの正確な予測ストリームが必要である。
また、価格、製品、制御、戦略など、さまざまな計画単位にわたる一致した意思決定を保証するために、階層の全レベルにわたる一貫性のある予測が必要となる。
プラットフォームデータストリームが複雑な特徴と相互依存を特徴とすることを考慮し,一般的な機械学習手法を用いて,時間的相互整合予測を直接的かつ自動的に生成する非線形階層的予測整合手法を提案する。
この手法は、プラットフォームに必要な予測ベースの高周波決定を可能にするのに十分高速である。
ヨーロッパの主要なオンデマンドデリバリプラットフォームから,ユニークな大規模ストリーミングデータセット上で,当社のフレームワークを実証的にテストしています。
関連論文リスト
- Hierarchical Forecasting at Scale [55.658563862299495]
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。
論文 参考訳(メタデータ) (2023-10-19T15:06:31Z) - 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) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳(メタデータ) (2021-12-22T14:45:37Z) - 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) - Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud
System [54.588242387136376]
エッジクラウドシステムのための学習ベースのスケジューリングフレームワークkaisを紹介する。
まず,分散した要求ディスパッチに対応するために,協調型マルチエージェントアクタ-クリティックアルゴリズムを設計する。
次に,多種多様なシステムスケールと構造について,グラフニューラルネットワークを用いてシステム状態情報を埋め込む。
第3に、リクエストディスパッチとサービスオーケストレーションを調和させる2段階のスケジューリングメカニズムを採用します。
論文 参考訳(メタデータ) (2021-01-17T03:45:25Z) - A Trainable Reconciliation Method for Hierarchical Time-Series [0.0]
エンコーダデコーダニューラルネットワークに基づく,新しい汎用的,柔軟かつ容易に実装可能な調整戦略を提案する。
実世界の4つのデータセット上で本手法をテストすることにより,和解設定における既存手法の性能を継続的に到達または超えることを示す。
論文 参考訳(メタデータ) (2021-01-05T03:21:07Z) - Multi-scale Interaction for Real-time LiDAR Data Segmentation on an
Embedded Platform [62.91011959772665]
LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。
ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。
本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
論文 参考訳(メタデータ) (2020-08-20T19:06:11Z) - 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 forecast reconciliation with machine learning [0.34998703934432673]
本稿では,機械学習に基づく新しい階層的予測手法を提案する。
これは、サンプル後の経験的予測精度とコヒーレンスの改善の目的を構造的に組み合わせている。
本研究では,提案手法が既存手法よりも優れた点予測を与えることを示す。
論文 参考訳(メタデータ) (2020-06-03T04:49:39Z) - 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) - Combining Machine Learning with Knowledge-Based Modeling for Scalable
Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal
Systems [48.7576911714538]
我々は、過去のデータを予測に組み込む上で、機械学習を必須のツールとして活用しようと試みる。
i)並列機械学習予測手法と(ii)ハイブリッド手法の2つの手法を組み合わせて,知識ベースコンポーネントと機械学習ベースコンポーネントからなる複合予測システムを提案する。
i) と (ii) を組み合わせることで、非常に大規模なシステムに優れた性能を与えることができるだけでなく、並列機械学習コンポーネントを訓練するのに必要となる時系列データの長さが、並列化なしで必要なものよりも劇的に少ないことを実証した。
論文 参考訳(メタデータ) (2020-02-10T23:21:50Z)
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。