論文の概要: A Scalable and Transferable Time Series Prediction Framework for Demand
Forecasting
- arxiv url: http://arxiv.org/abs/2402.19402v1
- Date: Thu, 29 Feb 2024 18:01:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 13:36:42.775980
- Title: A Scalable and Transferable Time Series Prediction Framework for Demand
Forecasting
- Title(参考訳): 需要予測のためのスケーラブルで転送可能な時系列予測フレームワーク
- Authors: Young-Jin Park, Donghyun Kim, Fr\'ed\'eric Odermatt, Juho Lee,
Kyung-Min Kim
- Abstract要約: 時系列予測は多くのビジネス問題において最も不可欠でユビキタスなタスクの1つである。
本稿では,多種多様なアイテムの今後の需要を正確に予測できる,シンプルかつ強力なフレームワークであるフォレスティング・オーケストラ(Forchestra)を提案する。
- 参考スコア(独自算出の注目度): 24.06534393565697
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Time series forecasting is one of the most essential and ubiquitous tasks in
many business problems, including demand forecasting and logistics
optimization. Traditional time series forecasting methods, however, have
resulted in small models with limited expressive power because they have
difficulty in scaling their model size up while maintaining high accuracy. In
this paper, we propose Forecasting orchestra (Forchestra), a simple but
powerful framework capable of accurately predicting future demand for a diverse
range of items. We empirically demonstrate that the model size is scalable to
up to 0.8 billion parameters. The proposed method not only outperforms existing
forecasting models with a significant margin, but it could generalize well to
unseen data points when evaluated in a zero-shot fashion on downstream
datasets. Last but not least, we present extensive qualitative and quantitative
studies to analyze how the proposed model outperforms baseline models and
differs from conventional approaches. The original paper was presented as a
full paper at ICDM 2022 and is available at:
https://ieeexplore.ieee.org/document/10027662.
- Abstract(参考訳): 時系列予測は、需要予測や物流最適化を含む多くのビジネス問題において、最も不可欠でユビキタスなタスクの1つである。
しかし、従来の時系列予測手法は、精度を維持しながらモデルサイズをスケールアップすることが困難であるため、表現力に乏しい小型モデルを生み出している。
本稿では,様々な項目に対する将来の需要を正確に予測できる簡易かつ強力なフレームワークである予測オーケストラ(forchestra)を提案する。
モデルサイズが最大0.8億のパラメータに拡張可能であることを実証的に実証する。
提案手法は,既存の予測モデルをかなりのマージンで上回るだけでなく,ダウンストリームデータセット上でゼロショット方式で評価した場合,未認識のデータポイントを十分に一般化することができる。
最後に,提案モデルがベースラインモデルより優れ,従来の手法との違いを解析するために,定性的かつ定量的に検討した。
オリジナルの論文はICDM 2022でフルペーパーとして発表され、https://ieeexplore.ieee.org/document/10027662で公開されている。
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) - Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - A Systematic Approach to Robustness Modelling for Deep Convolutional
Neural Networks [0.294944680995069]
最近の研究は、より大きなモデルが制御された列車やテストセット外のデータに一般化できるかどうかという疑問を提起している。
本稿では,障害発生確率を時間関数としてモデル化する手法を提案する。
コスト、ロバスト性、レイテンシ、信頼性のトレードオフについて検討し、より大きなモデルが敵のロバスト性に大きく寄与しないことを示す。
論文 参考訳(メタデータ) (2024-01-24T19:12:37Z) - Lag-Llama: Towards Foundation Models for Probabilistic Time Series
Forecasting [54.04430089029033]
本稿では,デコーダのみの変換器アーキテクチャに基づく時系列予測のための汎用基礎モデルであるLag-Llamaを提案する。
Lag-Llamaは、複数のドメインからの多様な時系列データの大規模なコーパスで事前訓練され、強力なゼロショット一般化能力を示す。
このような未確認データセットの比較的小さな部分で微調整を行うと、Lag-Llamaは最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-12T12:29:32Z) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳(メタデータ) (2021-07-05T10:15:23Z) - 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) - Simultaneously Reconciled Quantile Forecasting of Hierarchically Related
Time Series [11.004159006784977]
本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。
ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
論文 参考訳(メタデータ) (2021-02-25T00:59:01Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳(メタデータ) (2021-01-02T02:11:37Z) - A Worrying Analysis of Probabilistic Time-series Models for Sales
Forecasting [10.690379201437015]
確率的時系列モデルは、不確実性の下で最適な決定を下すのに役立つため、予測分野で人気がある。
販売予測のための3つの顕著な確率的時系列モデルの性能解析を行った。
論文 参考訳(メタデータ) (2020-11-21T03:31:23Z) - A framework for probabilistic weather forecast post-processing across
models and lead times using machine learning [3.1542695050861544]
我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。
本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。
第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
論文 参考訳(メタデータ) (2020-05-06T16:46:02Z)
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。