論文の概要: RATSF: Empowering Customer Service Volume Management through
Retrieval-Augmented Time-Series Forecasting
- arxiv url: http://arxiv.org/abs/2403.04180v1
- Date: Thu, 7 Mar 2024 03:23:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 15:26:24.443158
- Title: RATSF: Empowering Customer Service Volume Management through
Retrieval-Augmented Time-Series Forecasting
- Title(参考訳): RATSF: Retrieval-Augmented Time-Series Forecastingによる顧客サービスボリューム管理の強化
- Authors: Tianfeng Wang, Gaojie Cui
- Abstract要約: 本稿では,予測タスクにおいて,歴史的セグメントを効果的に活用するRACAという,効率的かつ横断的なモジュールを提案する。
我々は,知識リポジトリの設計と合わせて,履歴シーケンスをクエリする正確な表現方式を考案した。
RATSFは、Fliggyホテルのサービス量予測の文脈での性能を著しく向上させるだけでなく、より重要なことに、他のTransformerベースの時系列予測モデルにシームレスに統合することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An efficient customer service management system hinges on precise forecasting
of service volume. In this scenario, where data non-stationarity is pronounced,
successful forecasting heavily relies on identifying and leveraging similar
historical data rather than merely summarizing periodic patterns. Existing
models based on RNN or Transformer architectures often struggle with this
flexible and effective utilization. To address this challenge, we propose an
efficient and adaptable cross-attention module termed RACA, which effectively
leverages historical segments in forecasting task, and we devised a precise
representation scheme for querying historical sequences, coupled with the
design of a knowledge repository. These critical components collectively form
our Retrieval-Augmented Temporal Sequence Forecasting framework (RATSF). RATSF
not only significantly enhances performance in the context of Fliggy hotel
service volume forecasting but, more crucially, can be seamlessly integrated
into other Transformer-based time-series forecasting models across various
application scenarios. Extensive experimentation has validated the
effectiveness and generalizability of this system design across multiple
diverse contexts.
- Abstract(参考訳): 効率的な顧客サービス管理システムは、サービス量の正確な予測に依存する。
このシナリオでは、データ非定常性が発音されるが、予測の成功は、単に周期パターンを要約するのではなく、類似した履歴データの識別と活用に大きく依存する。
RNNやTransformerアーキテクチャに基づく既存のモデルは、この柔軟性と効果的な利用に苦慮することが多い。
この課題に対処するために,予測タスクにおける履歴セグメントを効果的に活用するRACAという,効率的かつ適応可能なクロスアテンションモジュールを提案し,知識リポジトリの設計と合わせて,履歴シーケンスをクエリする正確な表現方式を考案した。
これらの重要なコンポーネントは、我々の検索拡張時間シーケンス予測フレームワーク(RATSF)を構成する。
ratfはfliggy hotel service volume forecastingの文脈でパフォーマンスを著しく向上させるだけでなく、より重要な点として、様々なアプリケーションシナリオにわたるトランスフォーマーベースの時系列予測モデルにシームレスに統合することができる。
大規模な実験により、このシステム設計の有効性と一般化性は、様々な異なる文脈で検証されている。
関連論文リスト
- Probing the Robustness of Time-series Forecasting Models with
CounterfacTS [1.823020744088554]
我々は,時系列予測タスクにおけるディープラーニングモデルの堅牢性を調査するツールであるCounterfacTSを提示し,公開する。
CounterfacTSにはユーザフレンドリーなインターフェースがあり、時系列データとその予測を視覚化、比較、定量化することができる。
論文 参考訳(メタデータ) (2024-03-06T07:34:47Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled
Prescriptive Maintenance Framework [62.73424880653293]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T02:27:54Z) - MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series
Interpretable Forecasting [13.790498420659636]
時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。
本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。
時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
論文 参考訳(メタデータ) (2023-07-13T13:16:01Z) - QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective Time
Series Forecasting [0.21756081703275998]
我々は,精度と計算複雑性のトレードオフを最適化する,ライブ予測手法であるQBSDを紹介する。
我々は,公開データセットの最先端予測手法に対するQBSDの性能評価を行った。
論文 参考訳(メタデータ) (2023-06-09T15:59:27Z) - CLMFormer: Mitigating Data Redundancy to Revitalize Transformer-based
Long-Term Time Series Forecasting System [46.39662315849883]
時系列予測(LTSF)は,様々な応用において重要な役割を担っている。
既存のTransformerベースのモデルであるFedformerやInformerは、いくつかのエポックの後、検証セット上で最高のパフォーマンスを達成することが多い。
本稿では,カリキュラム学習とメモリ駆動デコーダの導入により,この問題に対処する新しい手法を提案する。
論文 参考訳(メタデータ) (2022-07-16T04:05:15Z) - ETSformer: Exponential Smoothing Transformers for Time-series
Forecasting [35.76867542099019]
時系列予測のための変換器の改良に指数的スムース化の原理を利用する新しい時系列変換器アーキテクチャであるETSFormerを提案する。
特に,時系列予測における古典的指数的スムージング手法に着想を得て,バニラ変圧器の自己保持機構を置き換えるために,新しい指数的スムージングアテンション(ESA)と周波数アテンション(FA)を提案する。
論文 参考訳(メタデータ) (2022-02-03T02:50:44Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。