論文の概要: Conformal Predictive Distributions for Order Fulfillment Time Forecasting

• arxiv url: http://arxiv.org/abs/2505.17340v1
• Date: Thu, 22 May 2025 23:23:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.730207
• Title: Conformal Predictive Distributions for Order Fulfillment Time Forecasting
• Title（参考訳）: 次数フルフィルメント時間予測のための等角的予測分布
• Authors: Tinghan Ye, Amira Hijazi, Pascal Van Hentenryck,
• Abstract要約: 本稿では,オーダー充足時間の分布予測のための新しいフレームワークを提案する。 提案手法は競合する分布予測を生成できるが,機械学習に基づく点予測は既存のルールベースシステムよりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 15.378087950770684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate estimation of order fulfillment time is critical for e-commerce logistics, yet traditional rule-based approaches often fail to capture the inherent uncertainties in delivery operations. This paper introduces a novel framework for distributional forecasting of order fulfillment time, leveraging Conformal Predictive Systems and Cross Venn-Abers Predictors--model-agnostic techniques that provide rigorous coverage or validity guarantees. The proposed machine learning methods integrate granular spatiotemporal features, capturing fulfillment location and carrier performance dynamics to enhance predictive accuracy. Additionally, a cost-sensitive decision rule is developed to convert probabilistic forecasts into reliable point predictions. Experimental evaluation on a large-scale industrial dataset demonstrates that the proposed methods generate competitive distributional forecasts, while machine learning-based point predictions significantly outperform the existing rule-based system--achieving up to 14% higher prediction accuracy and up to 75% improvement in identifying late deliveries.
• Abstract（参考訳）: オーダーフルフィルメントタイムの正確な推定はeコマースのロジスティクスにとって重要であるが、伝統的なルールベースのアプローチは、配達業務において固有の不確実性を捉えるのに失敗することが多い。 本稿では,厳密なカバレッジや妥当性を保証するモデル非依存の手法として,コンフォーマル予測システムとクロスベンバー予測システムを活用する,オーダーフルフィルメント時間の分布予測のための新しいフレームワークを提案する。 提案した機械学習手法は, 粒度の時空間的特徴を統合し, 充足位置とキャリア性能のダイナミクスを捉え, 予測精度を向上させる。 さらに、確率的予測を信頼性のある点予測に変換するために、コスト感受性決定ルールが開発されている。 大規模産業データセットに対する実験評価では,提案手法が競争力のある分布予測を生成するのに対し,機械学習に基づくポイント予測は既存のルールベースシステムを大幅に上回り,予測精度は最大14%向上し,納品遅れの特定では最大75%改善した。

関連論文リスト

• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Trustworthy Classification through Rank-Based Conformal Prediction Sets [9.559062601251464]
  本稿では,分類モデルに適したランクベーススコア関数を用いた新しいコンフォメーション予測手法を提案する。 提案手法は,そのサイズを管理しながら,所望のカバレッジ率を達成する予測セットを構築する。 コントリビューションには、新しい共形予測法、理論的解析、経験的評価が含まれる。
  論文  参考訳（メタデータ） (2024-07-05T10:43:41Z)
• Robust Conformal Prediction Using Privileged Information [17.886554223172517]
  本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。 我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
  論文  参考訳（メタデータ） (2024-06-08T08:56:47Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• 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)
• 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)

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。