Fugu-MT 論文翻訳(概要): Avocado Price Prediction Using a Hybrid Deep Learning Model: TCN-MLP-Attention Architecture

論文の概要: Avocado Price Prediction Using a Hybrid Deep Learning Model: TCN-MLP-Attention Architecture

arxiv url: http://arxiv.org/abs/2505.09907v1
Date: Thu, 15 May 2025 02:26:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-16 22:29:06.155021
Title: Avocado Price Prediction Using a Hybrid Deep Learning Model: TCN-MLP-Attention Architecture
Title（参考訳）: ハイブリッドディープラーニングモデルを用いたアボカド価格予測:TN-MLP-Attention Architecture
Authors: Linwei Zhang, LuFeng, Ruijia Liang,
Abstract要約: 逐次的特徴抽出にTCN(Temporal Convolutional Networks)、非線形相互作用にMLP(Multi-Layer Perceptrons)を組み合わせたハイブリッドディープラーニングモデルTCN-MLP-Attention Architectureを提案する。提案モデルでは,RMSE 1.23 と MSE 1.51 で予測性能が向上し,従来の手法よりも優れていた。
参考スコア（独自算出の注目度）: 1.4838266358702548
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the growing demand for healthy foods, agricultural product price forecasting has become increasingly important. Hass avocados, as a high-value crop, exhibit complex price fluctuations influenced by factors such as seasonality, region, and weather. Traditional prediction models often struggle with highly nonlinear and dynamic data. To address this, we propose a hybrid deep learning model, TCN-MLP-Attention Architecture, combining Temporal Convolutional Networks (TCN) for sequential feature extraction, Multi-Layer Perceptrons (MLP) for nonlinear interactions, and an Attention mechanism for dynamic feature weighting. The dataset used covers over 50,000 records of Hass avocado sales across the U.S. from 2015 to 2018, including variables such as sales volume, average price, time, region, weather, and variety type, collected from point-of-sale systems and the Hass Avocado Board. After systematic preprocessing, including missing value imputation and feature normalization, the proposed model was trained and evaluated. Experimental results demonstrate that the TCN-MLP-Attention model achieves excellent predictive performance, with an RMSE of 1.23 and an MSE of 1.51, outperforming traditional methods. This research provides a scalable and effective approach for time series forecasting in agricultural markets and offers valuable insights for intelligent supply chain management and price strategy optimization.
Abstract（参考訳）: 健康食品の需要が高まり、農産物価格の予測がますます重要になっている。ハス・アボカドは高価値の作物であり、季節、地域、天候などの要因に影響される複雑な価格変動を示す。従来の予測モデルは、しばしば非常に非線形でダイナミックなデータと競合する。そこで本研究では、時系列特徴抽出のための時間畳み込みネットワーク(TCN)、非線形相互作用のためのマルチ層パーセプトロン(MLP)、動的特徴重み付けのための注意機構を組み合わせたハイブリッドディープラーニングモデルTCN-MLP-Attention Architectureを提案する。このデータセットは、2015年から2018年にかけて5万件以上のHassアボカドの販売記録をカバーしており、販売量、平均価格、時間、地域、天候、および様々な種類の変数が含まれており、ポイント・オブ・セールシステムとHass Avocado Boardから収集されている。価値計算の欠如や特徴正規化など,体系的な事前処理を行った後,提案手法を訓練し,評価した。実験結果から,TN-MLP-AttentionモデルではRMSE 1.23,MSE 1.51,従来の手法よりも優れた予測性能が得られた。本研究は、農業市場における時系列予測にスケーラブルで効果的なアプローチを提供し、インテリジェントサプライチェーン管理と価格戦略最適化のための貴重な洞察を提供する。

関連論文リスト

Enhancing Time Series Forecasting via a Parallel Hybridization of ARIMA and Polynomial Classifiers [1.9799527196428246]
本稿では,ARIMAモデルと分類器を統合するハイブリッド予測手法を提案する。提案したハイブリッドモデルは,実行時間の増加とともに予測精度が向上するにもかかわらず,個々のモデルよりも一貫して性能が向上する。
論文参考訳（メタデータ） (2025-05-11T06:53:19Z)
A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
論文参考訳（メタデータ） (2025-04-23T20:00:47Z)
Stock Price Prediction Using a Hybrid LSTM-GNN Model: Integrating Time-Series and Graph-Based Analysis [4.833815605196965]
本稿では、長寿命メモリ(LSTM)ネットワークとグラフニューラルネットワーク(GNN)を統合した新しいハイブリッドモデルを提案する。 LSTMコンポーネントは、株価データの時間的パターンを積極的に捉え、金融市場の時系列ダイナミクスを効果的にモデル化する。実験の結果, LSTM-GNNモデルでは平均2乗誤差(MSE)が0.00144であることがわかった。
論文参考訳（メタデータ） (2025-02-19T15:09:13Z)
Boosting the Accuracy of Stock Market Prediction via Multi-Layer Hybrid MTL Structure [0.0]
本稿では,より効率的な市場予測を実現することを目的とした,多層ハイブリッドマルチタスク学習(MTL)フレームワークを提案する。様々な入力特徴間の複雑な対応を抽出するTransformerエンコーダ、長期的な時間的関係をキャプチャするBidirectional Gated Recurrent Unit(BiGRU)、学習プロセスを強化するためのKAN(Kolmogorov-Arnold Network)を含む。
論文参考訳（メタデータ） (2025-01-01T17:47:45Z)
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)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-03T10:21:53Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文参考訳（メタデータ） (2022-03-07T18:59:54Z)

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。