論文の概要: A Comprehensive Forecasting Framework based on Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment

• arxiv url: http://arxiv.org/abs/2412.14718v1
• Date: Thu, 19 Dec 2024 10:33:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:29:45.475209
• Title: A Comprehensive Forecasting Framework based on Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment
• Title（参考訳）: 多段階階層型予測再構成と調整に基づく包括的予測フレームワーク
• Authors: Zhengchao Yang, Mithun Ghosh, Anish Saha, Dong Xu, Konstantin Shmakov, Kuang-chih Lee,
• Abstract要約: 本稿では,季節性維持,コヒーレンス確保,精度向上という課題に対処する新しい枠組みを提案する。 提案されたフレームワークは、Walmartの広告、営業、運用チームが将来の要求を追跡するためにデプロイされ、活用されている。
• 参考スコア（独自算出の注目度）: 16.859089765648356
• License:
• Abstract: Ads demand forecasting for Walmart's ad products plays a critical role in enabling effective resource planning, allocation, and management of ads performance. In this paper, we introduce a comprehensive demand forecasting system that tackles hierarchical time series forecasting in business settings. Though traditional hierarchical reconciliation methods ensure forecasting coherence, they often trade off accuracy for coherence especially at lower levels and fail to capture the seasonality unique to each time-series in the hierarchy. Thus, we propose a novel framework "Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment (Multi-Stage HiFoReAd)" to address the challenges of preserving seasonality, ensuring coherence, and improving accuracy. Our system first utilizes diverse models, ensembled through Bayesian Optimization (BO), achieving base forecasts. The generated base forecasts are then passed into the Multi-Stage HiFoReAd framework. The initial stage refines the hierarchy using Top-Down forecasts and "harmonic alignment." The second stage aligns the higher levels' forecasts using MinTrace algorithm, following which the last two levels undergo "harmonic alignment" and "stratified scaling", to eventually achieve accurate and coherent forecasts across the whole hierarchy. Our experiments on Walmart's internal Ads-demand dataset and 3 other public datasets, each with 4 hierarchical levels, demonstrate that the average Absolute Percentage Error from the cross-validation sets improve from 3% to 40% across levels against BO-ensemble of models (LGBM, MSTL+ETS, Prophet) as well as from 1.2% to 92.9% against State-Of-The-Art models. In addition, the forecasts at all hierarchical levels are proved to be coherent. The proposed framework has been deployed and leveraged by Walmart's ads, sales and operations teams to track future demands, make informed decisions and plan resources.
• Abstract（参考訳）: Walmartの広告製品の需要予測は、効果的なリソース計画、アロケーション、広告パフォーマンスの管理を可能にする上で重要な役割を果たす。 本稿では,ビジネス環境における階層的時系列予測に対処する包括的需要予測システムを提案する。 伝統的な階層的な和解法はコヒーレンスを予測できるが、特に低いレベルではコヒーレンスのために正確さを交換することが多く、階層内の各時系列に特有の季節性の獲得に失敗する。 そこで本稿では, 季節の保全, 一貫性の確保, 精度の向上といった課題に対処するため, 階層型階層型予測調整(Multi-Stage HiFoReAd)を新たに提案する。 提案システムはまず,ベイズ最適化(BO)によって組立てられた多様なモデルを用いて,基礎予測を行う。 生成されたベース予測は、Multi-Stage HiFoReAdフレームワークに渡される。 初期段階は、トップダウン予測と「ハーモニックアライメント」を使用して階層を洗練させる。 第2段階は、MinTraceアルゴリズムを用いて上位レベルの予測を整列させ、続く2つのレベルが"調和的アライメント"と"階層化スケーリング"を実行し、最終的に階層全体にわたって正確で一貫性のある予測を達成する。 Walmartの内部のAdsオンデマンドデータセットおよび他の3つのパブリックデータセットに関する実験では、各階層レベルが4つあり、クロスバリデーションセットから平均的なAbsolute Percentage Errorが、BOアンサンブルモデル(LGBM、MSTL+ETS、Prophet)に対して3%から40%改善され、State-Of-The-Artモデルに対して1.2%から92.9%改善した。 さらに、すべての階層レベルの予測は一貫性があることが証明される。 提案されたフレームワークは、Walmartの広告、セールス、オペレーションチームによって、将来の要求を追跡し、情報的な決定を行い、リソースを計画するためにデプロイされ、活用されている。

関連論文リスト

• Large Scale Hierarchical Industrial Demand Time-Series Forecasting incorporating Sparsity [16.609280485541323]
  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。
  論文  参考訳（メタデータ） (2024-07-02T20:40:08Z)
• 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)
• 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)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• 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)
• Forecasting reconciliation with a top-down alignment of independent level forecasts [3.600932575533886]
  全体予測性能は,下層部における断続時系列の予測精度に大きく影響している。 本稿では,階層の上層部における予測精度を高めるため,底面予測を潜時として扱う予測調整手法を提案する。
  論文  参考訳（メタデータ） (2021-03-15T10:00:23Z)
• Three Steps to Multimodal Trajectory Prediction: Modality Clustering, Classification and Synthesis [54.249502356251085]
  我々は新しい予測フレームワークと共に新しい洞察を示す。 提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
  論文  参考訳（メタデータ） (2021-03-14T06:21:03Z)
• 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 robust aggregation of sales forecasts at aggregated levels in e-commerce, based on exponential smoothing and Holt's linear trend method [0.0]
  我々は、異なる(集合の)パラメータで調整された古典技法のいくつかの例から与えられるアンサンブル予測を考える。 本手法を,電子商取引会社Cdiscountが提供する階層的な販売データセットに適用する。 この性能は、電車のセットで古典的なテクニックを最適にチューニングすることで得られるものよりも優れている。
  論文  参考訳（メタデータ） (2020-06-05T11:20:25Z)

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。