論文の概要: PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting
- arxiv url: http://arxiv.org/abs/2507.21710v1
- Date: Tue, 29 Jul 2025 11:38:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.066199
- Title: PREIG: Physics-informed and Reinforcement-driven Interpretable GRU for Commodity Demand Forecasting
- Title(参考訳): PreIG:商品需要予測のための物理インフォームドおよび強化駆動型解釈型GRU
- Authors: Hongwei Ma, Junbin Gao, Minh-Ngoc Tran,
- Abstract要約: PreIGは、商品需要予測に適した新しいディープラーニングフレームワークである。
このモデルは、Gated Recurrent Unit(GRU)アーキテクチャを物理インフォームドニューラルネットワーク(PINN)の原則と一意に統合する。
- 参考スコア(独自算出の注目度): 27.542312745632458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately forecasting commodity demand remains a critical challenge due to volatile market dynamics, nonlinear dependencies, and the need for economically consistent predictions. This paper introduces PREIG, a novel deep learning framework tailored for commodity demand forecasting. The model uniquely integrates a Gated Recurrent Unit (GRU) architecture with physics-informed neural network (PINN) principles by embedding a domain-specific economic constraint: the negative elasticity between price and demand. This constraint is enforced through a customized loss function that penalizes violations of the physical rule, ensuring that model predictions remain interpretable and aligned with economic theory. To further enhance predictive performance and stability, PREIG incorporates a hybrid optimization strategy that couples NAdam and L-BFGS with Population-Based Training (POP). Experiments across multiple commodities datasets demonstrate that PREIG significantly outperforms traditional econometric models (ARIMA,GARCH) and deep learning baselines (BPNN,RNN) in both RMSE and MAPE. When compared with GRU,PREIG maintains good explainability while still performing well in prediction. By bridging domain knowledge, optimization theory and deep learning, PREIG provides a robust, interpretable, and scalable solution for high-dimensional nonlinear time series forecasting in economy.
- Abstract(参考訳): 商品需要の正確な予測は、不安定な市場のダイナミクス、非線形依存、経済的に一貫した予測の必要性により、依然として重要な課題である。
本稿では,商品需要予測に適した新しいディープラーニングフレームワークPreIGを紹介する。
このモデルは、GRU(Gated Recurrent Unit)アーキテクチャと物理インフォームドニューラルネットワーク(PINN)の原則を、ドメイン固有の経済制約(価格と需要の間の負の弾力性)を埋め込むことで一意に統合する。
この制約は、物理規則違反を罰するカスタマイズされた損失関数によって実施され、モデル予測が解釈可能であり、経済理論と一致し続けることを保証する。
PreIGは予測性能と安定性をさらに向上するため、NAdamとL-BFGSをPOP(Population-Based Training)と組み合わせたハイブリッド最適化戦略を採用している。
複数の商品データセットを対象とした実験では、PreIGはRMSEとMAPEの両方において従来の計量モデル(ARIMA,GARCH)とディープラーニングベースライン(BPNN,RNN)を著しく上回っている。
GRUと比較すると、PREIGは優れた説明性を維持しつつも、予測性能は良好である。
ドメイン知識、最適化理論、ディープラーニングをブリッジすることで、PreIGは経済における高次元非線形時系列予測のための堅牢で解釈可能なスケーラブルなソリューションを提供する。
関連論文リスト
- Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2025-03-06T21:21:15Z) - Advancing GDP Forecasting: The Potential of Machine Learning Techniques in Economic Predictions [0.0]
本稿では,GDP,特にLSTMネットワークの予測におけるリカレントニューラルネットワークの有効性について検討する。
我々は1995年から2023年までの四半期ルーマニアのGDPデータセットを使用し、LSTMネットワークを構築し、シリーズの次の4つの値に予測する。
機械学習モデルは予測精度と柔軟性の点で従来の計量モデルより一貫して優れていることが示唆された。
論文 参考訳(メタデータ) (2025-02-27T06:28:13Z) - GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。
他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文 参考訳(メタデータ) (2024-09-30T23:53:54Z) - Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy [0.0]
インドの著名な株式市場指標であるNIFTY50指数の翌日の終値の予測精度を改善することを目的とする。
8つの影響要因の組み合わせは、基本株価データ、技術指標、原油価格、マクロ経済データから慎重に選択される。
論文 参考訳(メタデータ) (2024-06-02T06:39:01Z) - Inside the black box: Neural network-based real-time prediction of US recessions [0.0]
長期記憶(LSTM)とゲートリカレントユニット(GRU)は、1967年から2021年までのアメリカの不況をモデル化するために使用される。
シェープ法は、S&P500指数のような重要なリセッション指標を3カ月間予測する。
論文 参考訳(メタデータ) (2023-10-26T16:58:16Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。
我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short
Term Electricity Price Forecasting [0.0]
本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。
提案モデルの性能を北プール電力市場のデータを用いて評価した。
論文 参考訳(メタデータ) (2022-04-18T12:21:25Z) - 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) - Low-Rank Temporal Attention-Augmented Bilinear Network for financial
time-series forecasting [93.73198973454944]
ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。
近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。
本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
論文 参考訳(メタデータ) (2021-07-05T10:15:23Z)
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。