論文の概要: Large Scale Hierarchical Industrial Demand Time-Series Forecasting incorporating Sparsity
- arxiv url: http://arxiv.org/abs/2407.02657v1
- Date: Tue, 2 Jul 2024 20:40:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 18:14:18.379258
- Title: Large Scale Hierarchical Industrial Demand Time-Series Forecasting incorporating Sparsity
- Title（参考訳）: 空間を考慮した大規模階層型産業需要時系列予測
- Authors: Harshavardhan Kamarthi, Aditya B. Sasanur, Xinjie Tong, Xingyu Zhou, James Peters, Joe Czyzyk, B. Aditya Prakash,
- Abstract要約: 本研究では,階層全体にわたる確率的予測の精度と校正を可能にする新しい確率的階層モデルであるHAILSを提案する。
我々は,1万製品を超える製品需要予測アプリケーションのために大手化学製造会社にHAILSをデプロイし,予測精度が8.5%,スパースタイムシリーズが23%向上したことを観察した。
- 参考スコア（独自算出の注目度）: 16.609280485541323
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hierarchical time-series forecasting (HTSF) is an important problem for many real-world business applications where the goal is to simultaneously forecast multiple time-series that are related to each other via a hierarchical relation. Recent works, however, do not address two important challenges that are typically observed in many demand forecasting applications at large companies. First, many time-series at lower levels of the hierarchy have high sparsity i.e., they have a significant number of zeros. Most HTSF methods do not address this varying sparsity across the hierarchy. Further, they do not scale well to the large size of the real-world hierarchy typically unseen in benchmarks used in literature. We resolve both these challenges by proposing HAILS, a novel probabilistic hierarchical model that enables accurate and calibrated probabilistic forecasts across the hierarchy by adaptively modeling sparse and dense time-series with different distributional assumptions and reconciling them to adhere to hierarchical constraints. We show the scalability and effectiveness of our methods by evaluating them against real-world demand forecasting datasets. We deploy HAILS at a large chemical manufacturing company for a product demand forecasting application with over ten thousand products and observe a significant 8.5\% improvement in forecast accuracy and 23% better improvement for sparse time-series. The enhanced accuracy and scalability make HAILS a valuable tool for improved business planning and customer experience.
- Abstract（参考訳）: 階層的時系列予測(Hierarchical Time-Series forecasting、HTSF)は、階層的関係を通じて相互に関連付けられた複数の時系列を同時に予測することを目的としている多くの実世界のビジネスアプリケーションにとって重要な問題である。
しかし、近年の研究は、大企業の需要予測アプリケーションで一般的に見られる2つの重要な課題に対処していない。
第一に、階層の下位レベルにある多くの時系列は、高い空間性、すなわち、かなりの数の零点を持つ。
ほとんどのHTSFメソッドは階層間の様々な間隔に対処しない。
さらに、文献で使用されるベンチマークでは一般的に見られず、現実世界の階層の大きさにうまくスケールしない。
HAILSは階層的制約に従順に整合して、分散的な仮定の異なるスパースと密集した時系列を適応的にモデル化し、階層的制約に従うことによって、階層全体にわたって正確で校正された確率的予測を可能にする新しい確率的階層モデルである。
実世界の需要予測データセットに対して評価することで,提案手法のスケーラビリティと有効性を示す。
我々は,1万製品を超える製品需要予測アプリケーションのために大手化学製造会社にHAILSを配備し,予測精度が8.55%向上し,スパースタイムの23%改善した。
精度とスケーラビリティが向上したことで、HAILSはビジネスプランニングと顧客エクスペリエンスを向上させる貴重なツールになります。
関連論文リスト
- Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。
幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文 参考訳（メタデータ） (2024-07-02T20:14:32Z) - 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) - A Scalable and Transferable Time Series Prediction Framework for Demand
Forecasting [24.06534393565697]
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。
論文 参考訳（メタデータ） (2024-02-29T18:01:07Z) - 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) - 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) - GEANN: Scalable Graph Augmentations for Multi-Horizon Time Series
Forecasting [36.85187795776383]
関心が急速に高まっているトピックは、十分な履歴データがない時系列を予測することである。
本稿では,グラフニューラルネットワーク(GNN)をデータ拡張として活用することにより,この問題に対処する新しい方法を提案する。
我々のアーキテクチャは、数百万のノードを持つ複数の非常に大きなグラフから情報を取り込むために、データ駆動グラフまたはドメイン知識定義グラフのいずれかを使用することができる。
論文 参考訳（メタデータ） (2023-07-07T13:38:16Z) - 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） (2022-06-16T06:13:53Z) - Efficient Forecasting of Large Scale Hierarchical Time Series via
Multilevel Clustering [26.236569277576425]
本稿では階層的に集約された時系列データをクラスタリングする問題に対する新しいアプローチを提案する。
集約されたレベルごとに時系列をグループ化し、同時にローカル情報とグローバル情報を活用する。
論文 参考訳（メタデータ） (2022-05-27T17:13:05Z) - Reframing demand forecasting: a two-fold approach for lumpy and
intermittent demand [0.9137554315375922]
その結果,競争需要予測は,需要発生予測と需要規模推定の2つのモデルによって得られることがわかった。
本研究は,需要イベントの発生予測において,グローバル分類モデルが最善の選択であることを示す。
欧州の自動車オリジナル機器メーカーの日頃の需要に対応する516年3年間の時系列からなる現実世界のデータに関するアプローチをテストしました。
論文 参考訳（メタデータ） (2021-03-23T17:57:40Z) - 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) - 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。