論文の概要: Integrating Attention-Enhanced LSTM and Particle Swarm Optimization for Dynamic Pricing and Replenishment Strategies in Fresh Food Supermarkets
- arxiv url: http://arxiv.org/abs/2509.12339v1
- Date: Mon, 15 Sep 2025 18:07:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:52.708625
- Title: Integrating Attention-Enhanced LSTM and Particle Swarm Optimization for Dynamic Pricing and Replenishment Strategies in Fresh Food Supermarkets
- Title（参考訳）: 食品スーパーマーケットにおける動的価格・補充戦略のための注意力強化LSTMと粒子群最適化の統合
- Authors: Xianchen Liu, Tianhui Zhang, Xinyu Zhang, Lingmin Hou, Zhen Guo, Yuanhao Tian, Yang Liu,
- Abstract要約: 本稿では,鮮食品スーパーの価格と補充戦略を最適化するための新しいアプローチを提案する。
LSTM(Long Short-Term Memory)ネットワークとPSO(Particle Swarm Optimization)を組み合わせる。
LSTMモデルは7日間の販売量、価格トレンド、腐敗率を予測するために使用される。
- 参考スコア（独自算出の注目度）: 15.717748106066752
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel approach to optimizing pricing and replenishment strategies in fresh food supermarkets by combining Long Short-Term Memory (LSTM) networks with Particle Swarm Optimization (PSO). The LSTM model, enhanced with an attention mechanism, is used to predict sales volumes, pricing trends, and spoilage rates over a seven-day period. The predictions generated by the LSTM model serve as inputs for the PSO algorithm, which iteratively optimizes pricing and replenishment strategies to maximize profitability while adhering to inventory constraints. The integration of cost-plus pricing allows for dynamic adjustments based on fixed and variable costs, ensuring real-time adaptability to market fluctuations. The framework not only maximizes profits but also reduces food waste, contributing to more sustainable supermarket operations. The attention mechanism enhances the interpretability of the LSTM model by identifying key time points and factors influencing sales, improving decision-making accuracy. This methodology bridges the gap between predictive modeling and optimization, offering a scalable solution for dynamic pricing and inventory management in fresh food retail and other industries dealing with perishable goods.
- Abstract（参考訳）: 本稿では、LSTM(Long Short-Term Memory)ネットワークとPSO(Particle Swarm Optimization)を組み合わせることで、生鮮食品スーパーマーケットの価格と補充戦略を最適化する新しいアプローチを提案する。
LSTMモデルは、注意機構によって強化され、販売量、価格トレンド、腐敗率を7日間にわたって予測するために使用される。
LSTMモデルによって生成された予測は、在庫制約に固執しながら利益率を最大化するために価格と補充戦略を反復的に最適化するPSOアルゴリズムの入力として機能する。
コスト余剰価格の統合により、固定コストと可変コストに基づく動的調整が可能となり、市場変動に対するリアルタイム適応性が保証される。
この枠組みは利益を最大化するだけでなく、食品の無駄を減らし、持続可能なスーパーマーケット運営に寄与する。
このアテンション機構は、販売に影響を与える重要な時間点と要因を特定し、意思決定精度を向上させることにより、LSTMモデルの解釈可能性を高める。
この手法は、予測モデリングと最適化のギャップを埋め、新鮮な食品小売やその他の生鮮食品を扱う産業において、動的価格と在庫管理のための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
- TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。
モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。
ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
論文 参考訳（メタデータ） (2025-09-10T11:16:21Z) - Leveraging Robust Optimization for LLM Alignment under Distribution Shifts [52.983390470606146]
人間の値に整合した出力を生成するために、大規模言語モデルを操る上で、優先順位アライメント手法はますます重要になっている。
このようなシフトに拘わらず、好みのアライメントを改善する新しい分布対応最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-08T09:14:38Z) - Transfer Learning for Nonparametric Contextual Dynamic Pricing [17.420508136662257]
動的価格戦略は、市場条件や顧客特性に基づいて価格を調整することで、企業が収益を最大化する上で不可欠である。
この制限を克服するための有望なアプローチの1つは、関連する製品や市場からの情報を活用して、焦点となる価格決定を知らせることである。
本稿では,ソースドメインからの事前収集データを効果的に活用し,対象ドメインの価格決定を効率化する,新しいTLDPアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-01-31T01:05:04Z) - Dynamic Rewarding with Prompt Optimization Enables Tuning-free Self-Alignment of Language Models [54.381650481255235]
我々は,Prompt Optimization (O) を用いた動的リワードによる自己アライメントのための新しいチューニング不要アプローチを提案する。
提案手法は,LLMを反復的に自己改善し,最適アライメント命令を作成可能な検索ベース最適化フレームワークを活用する。
近年の8つのLCMのオープンおよびクローズドソースに関する実証評価により,DRPOはアライメント性能を著しく向上することが示された。
論文 参考訳（メタデータ） (2024-11-13T16:15:38Z) - OptiGrad: A Fair and more Efficient Price Elasticity Optimization via a Gradient Based Learning [7.145413681946911]
本稿では,非生命保険市場の利益率を勾配降下法により最適化する新しい手法を提案する。
1)利益マージンの最大化、2)転換率の確保、3)人口比率(DP)などの公正基準の実施の3つの主要な目標を目標としている。
論文 参考訳（メタデータ） (2024-04-16T04:21:59Z) - Enhancing Financial Data Visualization for Investment Decision-Making [0.04096453902709291]
本稿では,ストックダイナミクスを予測するLong Short-Term Memory(LSTM)ネットワークの可能性について検討する。
この研究は、複雑なパターンをキャプチャするLSTMの能力を高めるために、複数の特徴を取り入れている。
LSTMには25日間のタイムステップで重要な価格とボリューム特性が組み込まれている。
論文 参考訳（メタデータ） (2023-12-09T07:53:25Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and
Multi-Period Optimization Approach [29.11201102550876]
半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。
本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。
提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
論文 参考訳（メタデータ） (2021-05-18T07:01:37Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
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。