論文の概要: Why do zeroes happen? A model-based approach for demand classification

• arxiv url: http://arxiv.org/abs/2504.05894v1
• Date: Tue, 08 Apr 2025 10:45:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:28:25.417763
• Title: Why do zeroes happen? A model-based approach for demand classification
• Title（参考訳）: なぜゼロが生じるのか?-需要分類のためのモデルに基づくアプローチ
• Authors: Ivan Svetunkov, Anna Sroginis,
• Abstract要約: 人工的に発生するゼロを識別する2段階のモデルベース分類フレームワークを提案する。 次に、異なるタイプの需要には異なる特徴が必要であると主張し、予測手法の精度を高める傾向があることを実証的に示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Effective demand forecasting is critical for inventory management, production planning, and decision making across industries. Selecting the appropriate model and suitable features to efficiently capture patterns in the data is one of the main challenges in demand forecasting. In reality, this becomes even more complicated when the recorded sales have zeroes, which can happen naturally or due to some anomalies, such as stockouts and recording errors. Mistreating the zeroes can lead to the application of inappropriate forecasting methods, and thus leading to poor decision making. Furthermore, the demand itself can have different fundamental characteristics, and being able to distinguish one type from another might bring substantial benefits in terms of accuracy and thus decision making. We propose a two-stage model-based classification framework that in the first step, identifies artificially occurring zeroes, and then classifies demand to one of the possible types: regular/intermittent, intermittent smooth/lumpy, fractional/count. The framework utilises statistical modelling and information criteria to detect anomalous zeroes and then classify demand into those categories. We then argue that different types of demand need different features, and show empirically that they tend to increase the accuracy of the forecasting methods compared to those applied directly to the dataset without the generated features and the two-stage framework. Our general practical recommendation based on that is to use the mixture approach for intermittent demand, capturing the demand sizes and demand probability separately, as it seems to improve the accuracy of different forecasting approaches.
• Abstract（参考訳）: 効果的な需要予測は、在庫管理、生産計画、産業間の意思決定に不可欠である。 データ内のパターンを効率的にキャプチャする適切なモデルと適切な特徴を選択することは、需要予測における大きな課題の1つである。 実際、記録された売上がゼロになると、これはさらに複雑になる。これは自然に起こることや、ストックアウトや記録エラーなどの異常によって起こりうる。 ゼロを誤処理すると、不適切な予測方法が適用され、結果として意思決定が不十分になる可能性がある。 さらに、需要そのものには基本的な特性が異なり、あるタイプと別のタイプを区別できることは、正確さと意思決定という面で大きなメリットをもたらす可能性がある。 最初のステップで人工的に発生するゼロを識別し、次に要求を正規/間欠的、間欠的スムーズ/ラピー、分数的/数のいずれかに分類する2段階のモデルベース分類フレームワークを提案する。 このフレームワークは、統計モデリングと情報基準を利用して異常ゼロを検出し、需要をこれらのカテゴリに分類する。 次に、異なるタイプの需要には異なる特徴が必要であると論じ、生成した特徴や2段階のフレームワークを使わずにデータセットに直接適用されるものと比較して予測手法の精度を向上する傾向があることを実証的に示す。 そこで本研究では, 断続的需要に対する混合手法を用いて, 需要規模と需要確率を別々に把握し, 予測手法の精度を向上させることを推奨する。

関連論文リスト

• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Training Normalizing Flows with the Precision-Recall Divergence [73.92251251511199]
  特定精度リコールトレードオフを達成することは、em PR-divergencesと呼ぶ家族からの-divergencesの最小化に相当することを示す。 本稿では, 正規化フローをトレーニングして, 偏差を最小化し, 特に, 所与の高精度リコールトレードオフを実現する新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-01T17:46:47Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• On the estimation of discrete choice models to capture irrational customer behaviors [4.683806391173103]
  我々は、部分的にランク付けされた好みを使って、トランザクションデータから合理的で不合理な顧客タイプを効率的にモデル化する方法を示す。 提案手法の予測精度を評価する実験を幅広く行った。
  論文  参考訳（メタデータ） (2021-09-08T19:19:51Z)
• Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
  不確かさが唯一の確実性である。 伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。 現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
  論文  参考訳（メタデータ） (2021-03-25T06:56:09Z)
• 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)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Prune Responsibly [0.913755431537592]
  機械学習アプリケーションにおける特定の公正性の定義を無視すると、基礎となるモデルを刈り取ることがそれに影響を及ぼす。 本研究では,100万以上の画像分類モデルを対象としたタスクやアーキテクチャにおいて,望ましくない性能不均衡の出現と悪化を調査・記録する。 ニューラルネットワークプルーニングに関する実際のエンジニアリング意思決定において、バイアス、公平性、包括的メトリクスを含む透過的なレポートの必要性を実証する。
  論文  参考訳（メタデータ） (2020-09-10T04:43:11Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Estimating Latent Demand of Shared Mobility through Censored Gaussian Processes [11.695095006311176]
  輸送需要は供給に大きく依存しており、特に可用性が制限される共有輸送サービスにおいてである。 観測された需要は利用可能な供給量よりも高くはならないため、歴史的輸送データは一般的に、真の根底にある需要パターンのバイアスのある、あるいは検閲されたバージョンを表す。 本稿では,検閲された可能性関数を考案した検閲対応需要モデリングの汎用手法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:26:16Z)

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。