論文の概要: TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting

• arxiv url: http://arxiv.org/abs/2507.10349v1
• Date: Mon, 14 Jul 2025 14:51:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:25.174369
• Title: TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting
• Title（参考訳）: TAT:マルチ水平ピーク需要予測のための時間適応変換器
• Authors: Zhiyuan Zhao, Sitan Yang, Kin G. Olivares, Boris N. Oreshkin, Stan Vitebsky, Michael W. Mahoney, B. Aditya Prakash, Dmitry Efimov,
• Abstract要約: 本稿では,アプリロリで知られたコンテキスト変数を利用して予測性能を向上させるマルチホライゾン予測器であるTemporal-Aligned Transformer (TAT)を提案する。 我々のモデルはエンコーダとデコーダで構成されており、どちらもピーク需要予測のためのコンテキスト依存アライメントを学習するための新しい時間アライメントアテンション(TAA)を組み込んでいる。 以上の結果から,TATはピーク需要予測において30%の精度を実現し,他の最先端手法と比較して総合的な性能を維持した。
• 参考スコア（独自算出の注目度）: 51.37167759339485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-horizon time series forecasting has many practical applications such as demand forecasting. Accurate demand prediction is critical to help make buying and inventory decisions for supply chain management of e-commerce and physical retailers, and such predictions are typically required for future horizons extending tens of weeks. This is especially challenging during high-stake sales events when demand peaks are particularly difficult to predict accurately. However, these events are important not only for managing supply chain operations but also for ensuring a seamless shopping experience for customers. To address this challenge, we propose Temporal-Aligned Transformer (TAT), a multi-horizon forecaster leveraging apriori-known context variables such as holiday and promotion events information for improving predictive performance. Our model consists of an encoder and decoder, both embedded with a novel Temporal Alignment Attention (TAA), designed to learn context-dependent alignment for peak demand forecasting. We conduct extensive empirical analysis on two large-scale proprietary datasets from a large e-commerce retailer. We demonstrate that TAT brings up to 30% accuracy improvement on peak demand forecasting while maintaining competitive overall performance compared to other state-of-the-art methods.
• Abstract（参考訳）: マルチホライゾン時系列予測は需要予測など多くの実用的応用がある。 正確な需要予測は、電子商取引や物理小売業者のサプライチェーン管理のための購入と在庫決定を支援する上で非常に重要であり、こうした予測は、何週間も続く将来の地平線において必要となる。 これは、需要ピークが正確に予測することが特に困難である場合、特にハイテイクな販売イベントでは困難である。 しかし、これらのイベントはサプライチェーンの管理だけでなく、顧客にとってシームレスなショッピング体験の確保にも重要である。 この課題に対処するために、ホリデーやプロモーションイベント情報などのプリオリなコンテキスト変数を活用して予測性能を向上させるマルチホライズン予測器であるTemporal-Aligned Transformer (TAT)を提案する。 我々のモデルはエンコーダとデコーダで構成され、どちらもピーク需要予測のためのコンテキスト依存アライメントを学習するために設計された新しい時間アライメントアテンションアテンション(TAA)を組み込んでいる。 大規模なeコマース小売業者による2つの大規模プロプライエタリなデータセットについて、広範な実証分析を行う。 以上の結果から,TATはピーク需要予測の精度を30%向上すると同時に,他の最先端手法と比較して総合的な性能の維持を図っている。

関連論文リスト

• LLMForecaster: Improving Seasonal Event Forecasts with Unstructured Textual Data [63.777637042161544]
  本稿では,非構造化意味情報と文脈情報と履歴データを組み込むために,大規模言語モデルを微調整した新しい予測ポストプロセッサを提案する。 産業規模の小売アプリケーションでは, ホリデードリブン需要の急激な上昇にともなう数種類の製品に対して, 本手法が統計的に有意な改善を予測できることが実証された。
  論文  参考訳（メタデータ） (2024-12-03T16:18:42Z)
• Inter-Series Transformer: Attending to Products in Time Series Forecasting [5.459207333107234]
  我々は,共有マルチタスク毎の時系列ネットワークを用いたトランスフォーマーに基づく新しい予測手法を開発した。 医療機器製造会社における需要予測の改善に本手法を適用したケーススタディを提案する。
  論文  参考訳（メタデータ） (2024-08-07T16:22:21Z)
• Large Scale Hierarchical Industrial Demand Time-Series Forecasting incorporating Sparsity [16.609280485541323]
  本研究では,階層全体にわたる確率的予測の精度と校正を可能にする新しい確率的階層モデルであるHAILSを提案する。 我々は,1万製品を超える製品需要予測アプリケーションのために大手化学製造会社にHAILSをデプロイし,予測精度が8.5%,スパースタイムシリーズが23%向上したことを観察した。
  論文  参考訳（メタデータ） (2024-07-02T20:40:08Z)
• 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)
• Leveraging World Events to Predict E-Commerce Consumer Demand under Anomaly [32.54836258878438]
  電子商取引の時系列販売予測は多くの異常のある期間に困難である。 本稿では,その日の出来事の関連性に基づいて1日の埋め込みを構築するためのトランスフォーマーに基づく新しい手法を提案する。 eBayから抽出した大規模なeコマース製品販売データセットの手法を実証的に評価した。
  論文  参考訳（メタデータ） (2024-05-22T21:05:35Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM [9.788039182463768]
  時系列上での傾向と季節成分のユニークな影響を示すための新しい尺度を提案する。 実験の結果,提案手法は精度を向上できることがわかった。
  論文  参考訳（メタデータ） (2023-05-26T18:49:42Z)
• 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)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。