論文の概要: LeForecast: Enterprise Hybrid Forecast by Time Series Intelligence

• arxiv url: http://arxiv.org/abs/2503.22747v1
• Date: Thu, 27 Mar 2025 02:58:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:37:23.290882
• Title: LeForecast: Enterprise Hybrid Forecast by Time Series Intelligence
• Title（参考訳）: LeForecast: 時系列インテリジェンスによるエンタープライズハイブリッド予測
• Authors: Zheng Tan, Yiwen Nie, Wenfa Wu, Guanyu Zhang, Yanze Liu, Xinyuan Tian, Kailin Gao, Mengya Liu, Qijiang Cheng, Haipeng Jiang, Yingzheng Ma, Wei Zheng, Yuci Zhu, Yuanyuan Sun, Xiangyu Lei, Xiyu Guan, Wanqing Huang, Shouming Liu, Xiangquan Meng, Pengzhan Qu, Chao Yang, Jiaxuan Fan, Yuan He, Hongsheng Qi, Yangzhou Du,
• Abstract要約: LeForecastは、時系列タスクに適したエンタープライズインテリジェンスプラットフォームである。 時系列データとマルチソース情報の高度な解釈、および3ピラーモデリングエンジンを統合する。 本研究は3つの産業ユースケースにおけるLeForecastの展開とその性能についてレビューする。
• 参考スコア（独自算出の注目度）: 10.203492575046015
• License:
• Abstract: Demand is spiking in industrial fields for multidisciplinary forecasting, where a broad spectrum of sectors needs planning and forecasts to streamline intelligent business management, such as demand forecasting, product planning, inventory optimization, etc. Specifically, these tasks expecting intelligent approaches to learn from sequentially collected historical data and then foresee most possible trend, i.e. time series forecasting. Challenge of it lies in interpreting complex business contexts and the efficiency and generalisation of modelling. With aspirations of pre-trained foundational models for such purpose, given their remarkable success of large foundation model across legions of tasks, we disseminate \leforecast{}, an enterprise intelligence platform tailored for time series tasks. It integrates advanced interpretations of time series data and multi-source information, and a three-pillar modelling engine combining a large foundation model (Le-TSFM), multimodal model and hybrid model to derive insights, predict or infer futures, and then drive optimisation across multiple sectors in enterprise operations. The framework is composed by a model pool, model profiling module, and two different fusion approaches regarding original model architectures. Experimental results verify the efficiency of our trail fusion concepts: router-based fusion network and coordination of large and small models, resulting in high costs for redundant development and maintenance of models. This work reviews deployment of LeForecast and its performance in three industrial use cases. Our comprehensive experiments indicate that LeForecast is a profound and practical platform for efficient and competitive performance. And we do hope that this work can enlighten the research and grounding of time series techniques in accelerating enterprise.
• Abstract（参考訳）: 需要予測、製品計画、在庫最適化などの知的ビジネス管理を効率化するために、幅広い分野の計画や予測を必要とする多分野の予測のために、産業分野の需要が急増している。 具体的には、これらのタスクは、シーケンシャルに収集された歴史的データから学習し、最も可能性の高いトレンド、すなわち時系列予測を予測するためのインテリジェントなアプローチを期待する。 その課題は、複雑なビジネスコンテキストとモデリングの効率性と一般化を解釈することにある。 このような目的のために、事前訓練された基礎モデルの実現が期待され、タスクの分野にわたって大きな基礎モデルの成功を考えると、時系列タスクに適したエンタープライズインテリジェンスプラットフォームである \leforecast{} を普及させます。 時系列データとマルチソース情報の高度な解釈と、大規模基盤モデル(Le-TSFM)、マルチモーダルモデル、ハイブリッドモデルを組み合わせた3ピラーモデリングエンジンを統合し、洞察を導き、未来を予測または推測し、エンタープライズオペレーションにおける複数の分野にわたる最適化を促進する。 このフレームワークは、モデルプール、モデルプロファイリングモジュール、およびオリジナルのモデルアーキテクチャに関する2つの異なる融合アプローチによって構成されている。 実験により, ルータをベースとした核融合ネットワークと, 大型モデルと小型モデルの協調性が検証され, 余剰モデルの開発・保守に高いコストがかかることがわかった。 本研究は3つの産業ユースケースにおけるLeForecastの展開とその性能についてレビューする。 我々の総合的な実験は、LeForecastが効率的で競争力のあるパフォーマンスのための、深く実用的なプラットフォームであることを示唆している。 そして、この研究が企業を加速させる上で、時系列技術の研究と基礎となることを願っている。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• FlowScope: Enhancing Decision Making by Time Series Forecasting based on Prediction Optimization using HybridFlow Forecast Framework [0.0]
  時系列予測は気象学、小売、医療、金融などいくつかの分野において重要である。 本稿では,時系列データを予測するための汎用的で堅牢なプラットフォームであるFlowScopeを提案する。 これにより、企業に対して、インフォームドな意思決定と、パフォーマンスの最大化のための長期的な戦略を最適化することが可能になる。
  論文  参考訳（メタデータ） (2024-11-16T06:25:30Z)
• Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
  モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。 これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
  論文  参考訳（メタデータ） (2024-08-14T16:58:48Z)
• Data-Juicer Sandbox: A Feedback-Driven Suite for Multimodal Data-Model Co-development [67.55944651679864]
  統合データモデル共同開発に適した新しいサンドボックススイートを提案する。 このサンドボックスは、フィードバック駆動の実験プラットフォームを提供し、コスト効率とデータとモデルの両方のガイド付き洗練を可能にする。
  論文  参考訳（メタデータ） (2024-07-16T14:40:07Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• A Two-Phase Recall-and-Select Framework for Fast Model Selection [13.385915962994806]
  本稿では,2相モデル選択フレームワークを提案する。 これは、ベンチマークデータセット上でモデルのトレーニングパフォーマンスを活用することにより、堅牢なモデルを選択する効率を高めることを目的としている。 提案手法は,従来のベースライン法に比べて約3倍の速度でハイパフォーマンスモデルの選択を容易にすることが実証された。
  論文  参考訳（メタデータ） (2024-03-28T14:44:44Z)
• TSPP: A Unified Benchmarking Tool for Time-series Forecasting [3.5415344166235534]
  本稿では,時系列予測モデルの開発に係わる重要なモデリングと機械学習の決定を明らかにする,統一的なベンチマークフレームワークを提案する。 このフレームワークは、モデルとデータセットのシームレスな統合を促進し、実践者と研究者の両方が開発作業を支援する。 このフレームワーク内で最近提案されたモデルをベンチマークし、最小限の努力で注意深く実装されたディープラーニングモデルは、勾配決定木に匹敵する可能性があることを実証した。
  論文  参考訳（メタデータ） (2023-12-28T16:23:58Z)
• Scaling Vision-Language Models with Sparse Mixture of Experts [128.0882767889029]
  提案手法は, 等価計算コストの高密度モデルに対して, 様々なベンチマークにおいて, 最先端性能を実現することができることを示す。 我々の研究は、MoEモデルのトレーニングの安定化、モデル解釈可能性に対するMoEの影響の理解、ビジョン言語モデルをスケールする際の計算性能間のトレードオフのバランスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-03-13T16:00:31Z)

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。