論文の概要: Dynamic Lagging for Time-Series Forecasting in E-Commerce Finance: Mitigating Information Loss with A Hybrid ML Architecture
- arxiv url: http://arxiv.org/abs/2509.20244v1
- Date: Wed, 24 Sep 2025 15:33:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-25 20:53:19.883743
- Title: Dynamic Lagging for Time-Series Forecasting in E-Commerce Finance: Mitigating Information Loss with A Hybrid ML Architecture
- Title（参考訳）: Eコマースファイナンスにおける時系列予測のための動的ラギング - ハイブリッドMLアーキテクチャによる情報損失の軽減
- Authors: Abhishek Sharma, Anat Parush, Sumit Wadhwa, Amihai Savir, Anne Guinard, Prateek Srivastava,
- Abstract要約: 動的ラグ機能工学と適応型ローリングウインドウ表現を統合したハイブリッド予測フレームワークを提案する。
提案手法は、請求書レベルの行動モデリング、サポートデータの構造化ラグ、およびカスタム安定性を考慮した損失関数を明示的に組み込んだものである。
- 参考スコア（独自算出の注目度）: 0.8192992814374568
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate forecasting in the e-commerce finance domain is particularly challenging due to irregular invoice schedules, payment deferrals, and user-specific behavioral variability. These factors, combined with sparse datasets and short historical windows, limit the effectiveness of conventional time-series methods. While deep learning and Transformer-based models have shown promise in other domains, their performance deteriorates under partial observability and limited historical data. To address these challenges, we propose a hybrid forecasting framework that integrates dynamic lagged feature engineering and adaptive rolling-window representations with classical statistical models and ensemble learners. Our approach explicitly incorporates invoice-level behavioral modeling, structured lag of support data, and custom stability-aware loss functions, enabling robust forecasts in sparse and irregular financial settings. Empirical results demonstrate an approximate 5% reduction in MAPE compared to baseline models, translating into substantial financial savings. Furthermore, the framework enhances forecast stability over quarterly horizons and strengthens feature target correlation by capturing both short- and long-term patterns, leveraging user profile attributes, and simulating upcoming invoice behaviors. These findings underscore the value of combining structured lagging, invoice-level closure modeling, and behavioral insights to advance predictive accuracy in sparse financial time-series forecasting.
- Abstract（参考訳）: 電子商取引金融分野における正確な予測は、不規則な請求書のスケジュール、支払い遅延、ユーザー固有の行動変動のために特に困難である。
これらの要因とスパースデータセットと短い履歴ウィンドウが組み合わさって、従来の時系列手法の有効性を制限している。
ディープラーニングとTransformerベースのモデルは、他の領域では有望だが、そのパフォーマンスは、部分的な可観測性と限られた履歴データの下で低下している。
これらの課題に対処するために,動的ラグ機能工学と適応型ローリングウインドウ表現と,古典的な統計モデルとアンサンブル学習者を組み合わせたハイブリッド予測フレームワークを提案する。
提案手法は,請求書レベルの行動モデリング,サポートデータの構造化遅延,カスタマイズされた安定性を考慮した損失関数を具体化し,スパースおよび不規則な財務状況におけるロバストな予測を可能にする。
実証的な結果は、ベースラインモデルと比較して約5%のMAPE削減を示し、実質的な貯蓄に変換する。
さらに,このフレームワークは,短期パターンと長期パターンの両方をキャプチャし,ユーザプロファイル特性を活用し,今後の請求動作をシミュレートすることで,四半期毎の予測安定性を高め,特徴目標相関を強化する。
これらの結果は, 緩やかな財務時系列予測において, 構造的遅延, 請求レベルのクロージャモデリング, 行動的洞察を組み合わせることで, 予測精度を向上させることの意義を浮き彫りにした。
関連論文リスト
- Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。
本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
論文 参考訳（メタデータ） (2025-08-18T04:06:26Z) - Tensor-Empowered Asset Pricing with Missing Data [2.3404331106562677]
本稿では,アダプティブ・クラスタベースのテンソルスムージング・テンソル・コンプリート・フレームワーク(ACT-Tensor)を導入する。
ACT-Tensorは、欠落するデータレシスタンスの範囲で、計算精度の点で、最先端のベンチマークを一貫して上回っている。
その結果、ACT-Tensorは正確なリターン予測を達成するだけでなく、構築されたポートフォリオのリスク調整されたリターンを大幅に改善することがわかった。
論文 参考訳（メタデータ） (2025-08-03T17:28:57Z) - Non-Stationary Time Series Forecasting Based on Fourier Analysis and Cross Attention Mechanism [5.480591342227219]
本稿では,安定なコンポーネントと不安定なコンポーネント間の情報共有能力を向上する新しいフレームワークであるAEFINを提案する。
また、時間領域の安定性制約、時間領域の不安定性制約、周波数領域の安定性制約を組み合わせた新たな損失関数を設計し、予測の精度と堅牢性を向上させる。
AEFINは平均二乗誤差と平均絶対誤差の点で、特に非定常データ条件下では、最も一般的なモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2025-05-11T09:34:36Z) - LLM4FTS: Enhancing Large Language Models for Financial Time Series Prediction [0.0]
従来の機械学習モデルは、制限されたモデル容量に制約された予測タスクに制限を示す。
我々は、学習可能なパッチセグメンテーションと動的ウェーブレット畳み込みモジュールによる時間的シーケンスモデリングを強化する新しいフレームワークLLM4FTS$を提案する。
実世界の金融データセットの実験は、このフレームワークの有効性を実証し、複雑な市場パターンを捉える上で優れたパフォーマンスを示し、ストックリターン予測の最先端結果を達成する。
論文 参考訳（メタデータ） (2025-05-05T06:48:34Z) - BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳（メタデータ） (2024-11-09T05:40:32Z) - Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。
幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
論文 参考訳（メタデータ） (2024-07-02T20:14:32Z) - Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。
本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
論文 参考訳（メタデータ） (2024-06-12T17:39:16Z) - Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting [46.63798583414426]
時系列予測(LTSF)は時系列分析において重要なフロンティアである。
本研究は, 分析的および実証的な証拠から, 分解が過剰なモデルインフレーションを包含する鍵であることを実証する。
興味深いことに、時系列データの本質的なダイナミクスに分解を合わせることで、提案モデルは既存のベンチマークより優れている。
論文 参考訳（メタデータ） (2024-01-22T13:15:40Z) - 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) - 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。