論文の概要: Leveraging World Events to Predict E-Commerce Consumer Demand under Anomaly

• arxiv url: http://arxiv.org/abs/2405.13995v1
• Date: Wed, 22 May 2024 21:05:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 20:04:17.230005
• Title: Leveraging World Events to Predict E-Commerce Consumer Demand under Anomaly
• Title（参考訳）: 世界のイベントを振り返り、Eコマースの消費者需要予測へ
• Authors: Dan Kalifa, Uriel Singer, Ido Guy, Guy D. Rosin, Kira Radinsky,
• Abstract要約: 電子商取引の時系列販売予測は多くの異常のある期間に困難である。 本稿では,その日の出来事の関連性に基づいて1日の埋め込みを構築するためのトランスフォーマーに基づく新しい手法を提案する。 eBayから抽出した大規模なeコマース製品販売データセットの手法を実証的に評価した。
• 参考スコア（独自算出の注目度）: 32.54836258878438
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Consumer demand forecasting is of high importance for many e-commerce applications, including supply chain optimization, advertisement placement, and delivery speed optimization. However, reliable time series sales forecasting for e-commerce is difficult, especially during periods with many anomalies, as can often happen during pandemics, abnormal weather, or sports events. Although many time series algorithms have been applied to the task, prediction during anomalies still remains a challenge. In this work, we hypothesize that leveraging external knowledge found in world events can help overcome the challenge of prediction under anomalies. We mine a large repository of 40 years of world events and their textual representations. Further, we present a novel methodology based on transformers to construct an embedding of a day based on the relations of the day's events. Those embeddings are then used to forecast future consumer behavior. We empirically evaluate the methods over a large e-commerce products sales dataset, extracted from eBay, one of the world's largest online marketplaces. We show over numerous categories that our method outperforms state-of-the-art baselines during anomalies.
• Abstract（参考訳）: 消費者の需要予測は、サプライチェーンの最適化、広告の配置、配送速度の最適化など、多くの電子商取引アプリケーションにとって非常に重要である。 しかし、特に多くの異常がある時期には、パンデミック、異常気象、スポーツイベントなどで起こりうるような、電子商取引の信頼性の高い時系列販売予測は困難である。 多くの時系列アルゴリズムがタスクに適用されているが、異常時の予測は依然として課題である。 本研究では,世界イベントにおける外部知識の活用が,異常下での予測の課題を克服する上で有効である,という仮説を立てる。 40年にわたる世界イベントとそのテキスト表現の大規模なリポジトリをマイニングします。 さらに,その日の出来事の関連性に基づいて1日の埋め込みを構築するためのトランスフォーマーに基づく新しい手法を提案する。 これらの埋め込みは、将来の消費者行動を予測するために使われる。 われわれは、世界最大のオンラインマーケットプレースであるeBayから抽出された、大規模なeコマース製品販売データセットの手法を実証的に評価した。 提案手法は異常時の最先端のベースラインよりも優れていることを示す。

関連論文リスト

• A Simple Baseline for Predicting Events with Auto-Regressive Tabular Transformers [70.20477771578824]
  イベント予測への既存のアプローチには、タイムアウェアな位置埋め込み、学習行とフィールドエンコーディング、クラス不均衡に対処するオーバーサンプリング方法などがある。 基本位置埋め込みと因果言語モデリングの目的を持つ標準自己回帰型LPM変換器を用いて,単純だが柔軟なベースラインを提案する。 私たちのベースラインは、一般的なデータセットで既存のアプローチよりも優れており、さまざまなユースケースに使用することができます。
  論文  参考訳（メタデータ） (2024-10-14T15:59:16Z)
• 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)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Multimodal Temporal Fusion Transformers Are Good Product Demand Forecasters [18.52252059555198]
  マルチモーダル需要予測は, 視覚情報, テキスト情報, コンテキスト情報を用いた製品需要予測を目的とした。 本稿では,畳み込み,グラフベース,トランスフォーマーベースのアーキテクチャを用いたマルチモーダル製品需要予測手法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T18:23:13Z)
• Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM [9.788039182463768]
  時系列上での傾向と季節成分のユニークな影響を示すための新しい尺度を提案する。 実験の結果,提案手法は精度を向上できることがわかった。
  論文  参考訳（メタデータ） (2023-05-26T18:49:42Z)
• Multimodal Neural Network For Demand Forecasting [0.8602553195689513]
  本稿では,ニュース記事からのリアルタイムイベントと,過去のセールスやホリデー情報といった従来のデータを組み合わせたマルチモーダルセールス予測ネットワークを提案する。 従来の販売予測手法と比較して,SMAPEの誤差測定値の平均改善率は7.37%と統計的に有意な改善を示した。
  論文  参考訳（メタデータ） (2022-10-20T18:06:36Z)
• Forecasting Future World Events with Neural Networks [68.43460909545063]
  Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。 ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。 予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
  論文  参考訳（メタデータ） (2022-06-30T17:59:14Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Online Fashion Commerce: Modelling Customer Promise Date [0.0]
  電子商取引では、納期を正確に予測することが顧客体験において大きな役割を果たす。 本稿では,誤った予測を異なる方法でペナルティ化するための機械学習に基づくアプローチを提案する。 提案モデルはファッションeコマース用に社内に展開され、運用中である。
  論文  参考訳（メタデータ） (2021-05-01T18:16:12Z)
• Event Prediction in the Big Data Era: A Systematic Survey [7.3810864598379755]
  ビッグデータ時代において、イベント予測は実行可能な選択肢になりつつある。 本稿では,イベント予測の技術,応用,評価について,体系的かつ包括的な調査を行うことを目的とする。
  論文  参考訳（メタデータ） (2020-07-19T23:24:52Z)

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。