論文の概要: Intelligent Routing for Sparse Demand Forecasting: A Comparative Evaluation of Selection Strategies

• arxiv url: http://arxiv.org/abs/2506.14810v1
• Date: Wed, 04 Jun 2025 03:09:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.696036
• Title: Intelligent Routing for Sparse Demand Forecasting: A Comparative Evaluation of Selection Strategies
• Title（参考訳）: スパース需要予測のためのインテリジェントルーティング:選択戦略の比較評価
• Authors: Qiwen Zhang,
• Abstract要約: サプライチェーンにおける パースと断続的な需要予測は 重大な課題です 本稿では, モデルスパンニングフレームワークを提案し, モデルスパンニングの古典的, ML, DLメソッドを製品毎に選択する。 大規模なFavoritaデータセットの実験では、ディープラーニング(インセプションタイム)ルータが予測精度を最大11.8%向上している。
• 参考スコア（独自算出の注目度）: 0.6798775532273751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse and intermittent demand forecasting in supply chains presents a critical challenge, as frequent zero-demand periods hinder traditional model accuracy and impact inventory management. We propose and evaluate a Model-Router framework that dynamically selects the most suitable forecasting model-spanning classical, ML, and DL methods for each product based on its unique demand pattern. By comparing rule-based, LightGBM, and InceptionTime routers, our approach learns to assign appropriate forecasting strategies, effectively differentiating between smooth, lumpy, or intermittent demand regimes to optimize predictions. Experiments on the large-scale Favorita dataset show our deep learning (Inception Time) router improves forecasting accuracy by up to 11.8% (NWRMSLE) over strong, single-model benchmarks with 4.67x faster inference time. Ultimately, these gains in forecasting precision will drive substantial reductions in both stockouts and wasteful excess inventory, underscoring the critical role of intelligent, adaptive Al in optimizing contemporary supply chain operations.
• Abstract（参考訳）: サプライチェーンにおける緩やかで断続的な需要予測は、伝統的なモデルの正確さや在庫管理を阻害するゼロ・デマンドが頻繁に発生するため、重要な課題である。 本稿では,モデルルータフレームワークを提案し,そのユニークな需要パターンに基づいて,モデルスパンニングの古典的,ML,DLメソッドを動的に選択する。 ルールベース,LightGBM,InceptionTimeルータを比較して,適切な予測戦略を割り当てることから,スムーズ,粗末,断続的な需要体制を効果的に差別化し,予測を最適化する。 大規模なFavoritaデータセットの実験では、ディープラーニング(インセプションタイム)ルータが4.67倍高速な推論時間を持つ強力なシングルモデルベンチマークに対して、予測精度を最大11.8%向上させた。 最終的に、これらの精度の上昇は、在庫と過剰在庫の両方を大幅に削減し、現代のサプライチェーンの運用を最適化する知的で適応的なAlの重要性を浮き彫りにする。

関連論文リスト

• Does Scaling Law Apply in Time Series Forecasting? [2.127584662240465]
  我々は,kレベルパラメータのみを用いて競合性能を実現する超軽量予測モデルであるAlinearを提案する。 7つのベンチマークデータセットの実験では、Alinearが大規模モデルよりも一貫して優れていることが示されている。 この研究は、より大きなモデルが本質的に優れているという一般的な信念に挑戦し、より効率的な時系列モデリングへのパラダイムシフトを示唆している。
  論文  参考訳（メタデータ） (2025-05-15T11:04:39Z)
• Decision-Focused Fine-Tuning of Time Series Foundation Models for Dispatchable Feeder Optimization [0.5808168734833972]
  我々は、時系列基礎モデルにおける決定中心の微調整を用いて、ディスパッチ可能なフィードア最適化問題に対するスケーラブルで効率的なソリューションを提供する。 少ない建築データに対するより堅牢な予測を得るために,モイライを最先端の基礎モデルとして用いている。 意思決定に焦点を絞ったモイライと最先端の古典的な予測に焦点をあてたモイライを比較すると、平均的な日費の9.45%の改善が観察できる。
  論文  参考訳（メタデータ） (2025-03-03T07:47:20Z)
• The Efficiency vs. Accuracy Trade-off: Optimizing RAG-Enhanced LLM Recommender Systems Using Multi-Head Early Exit [46.37267466656765]
  本稿では,Retrieval-Augmented Generation(RAG)と革新的なマルチヘッドアーリーエグジットアーキテクチャを組み合わせた最適化フレームワークを提案する。 我々の実験は、信頼性の高いレコメンデーション配信に必要な精度を犠牲にすることなく、このアーキテクチャがいかに効果的に時間を削減するかを実証している。
  論文  参考訳（メタデータ） (2025-01-04T03:26:46Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• 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)
• 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)
• Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts for Inventory Management [8.441020454345932]
  本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。 本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
  論文  参考訳（メタデータ） (2021-07-28T14:11:34Z)

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。