論文の概要: Temporal Fusion Transformer for Multi-Horizon Probabilistic Forecasting of Weekly Retail Sales

• arxiv url: http://arxiv.org/abs/2511.00552v1
• Date: Sat, 01 Nov 2025 13:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.840567
• Title: Temporal Fusion Transformer for Multi-Horizon Probabilistic Forecasting of Weekly Retail Sales
• Title（参考訳）: ウィークリー小売販売のマルチ水平確率予測のためのテンポラルフュージョン変換器
• Authors: Santhi Bharath Punati, Sandeep Kanta, Udaya Bhasker Cheerala, Madhusudan G Lanjewar, Praveen Damacharla,
• Abstract要約: 本稿では、TFT(Temporal Fusion Transformer)を用いた毎週のウォルマート販売に関する新しい研究について述べる。 パイプラインはQuantile Lossを通じて1週間から5週間の確率予測を生成する。 固定された2012年のホールトアウトデータセットで、TFTは1店舗当たり57.9k米ドルのRMSEと0.9875ドルのR2ドルを達成している。
• 参考スコア（独自算出の注目度）: 5.023398151088689
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate multi-horizon retail forecasts are critical for inventory and promotions. We present a novel study of weekly Walmart sales (45 stores, 2010--2012) using a Temporal Fusion Transformer (TFT) that fuses static store identifiers with time-varying exogenous signals (holidays, CPI, fuel price, temperature). The pipeline produces 1--5-week-ahead probabilistic forecasts via Quantile Loss, yielding calibrated 90\% prediction intervals and interpretability through variable-selection networks, static enrichment, and temporal attention. On a fixed 2012 hold-out dataset, TFT achieves an RMSE of \$57.9k USD per store-week and an $R^2$ of 0.9875. Across a 5-fold chronological cross-validation, the averages are RMSE = \$64.6k USD and $R^2$ = 0.9844, outperforming the XGB, CNN, LSTM, and CNN-LSTM baseline models. These results demonstrate practical value for inventory planning and holiday-period optimization, while maintaining model transparency.
• Abstract（参考訳）: 正確なマルチホライゾンの小売予測は在庫やプロモーションに欠かせない。 本稿では、時間変化の異なる外因性信号(ホリデー、CPI、燃料価格、温度)で静的な店舗識別子を融合させるTFT(Temporal Fusion Transformer)を用いて、毎週のウォルマート販売(45店舗、2010年～2012年)について検討する。 パイプラインは、Quantile Lossを介して1～5週間の確率予測を生成し、変数選択ネットワーク、静的エンリッチメント、時間的注意を通して、90\%の予測間隔と解釈性を調整した。 固定された2012年のホールドアウトデータセットでは、TFT は店舗ごとの RMSE が57.9k米ドル、R^2 が 0.9875 である。 5倍のクロスバリデーションでは、平均値がRMSE = \$64.6k USDと$R^2$ = 0.9844であり、XGB、CNN、LSTM、CNN-LSTMのベースラインモデルを上回っている。 これらの結果は, モデル透明性を維持しつつ, 在庫計画とホリデー期間最適化の実践的価値を示すものである。

関連論文リスト

• Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
  テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。 本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
  論文  参考訳（メタデータ） (2025-09-30T03:56:44Z)
• Short-Term Forecasting of Energy Production and Consumption Using Extreme Learning Machine: A Comprehensive MIMO based ELM Approach [0.0]
  エクストリームラーニングマシン(mathtELM$)を用いた短期エネルギー予測手法を提案する。 複数のエネルギー源からコルシカ(フランス)で収集された6年間の時間的データを用いて、我々の手法は個々のエネルギー出力と総生産の両方を予測する。 このモデルでは、最大5時間前に高い精度を維持し、再生可能エネルギー源が揮発性になる。
  論文  参考訳（メタデータ） (2025-08-18T09:37:54Z)
• CoIFNet: A Unified Framework for Multivariate Time Series Forecasting with Missing Values [17.25081407284703]
  CoIFNet(Collaborative Imputation-Forecasting Network)は、インプットと予測を統合する新しいフレームワークである。 CoIFNetは、観測値、マスクマトリックス、タイムスタンプの埋め込みを入力として、それらを逐次処理する。 提案手法の有効性と計算効率を,様々なデータ・シナリオにまたがって実証する。
  論文  参考訳（メタデータ） (2025-06-16T03:15:12Z)
• Sundial: A Family of Highly Capable Time Series Foundation Models [64.6322079384575]
  Sundialはネイティブでフレキシブルでスケーラブルな時系列基盤モデルのファミリーです。 我々のモデルは、事前の分布を指定せずに事前訓練されており、複数の確率予測を生成することができる。 Sundialは、ジャスト・イン・タイムの推論速度で、ポイントと確率予測ベンチマークの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-02T14:52:50Z)
• Neural and Time-Series Approaches for Pricing Weather Derivatives: Performance and Regime Adaptation Using Satellite Data [0.0]
  本稿では,温度と降水量に関する気象デリバティブ(WD)契約の価格について検討する。 我々は、フィードフォワードニューラルネットワーク(NN)に対してハーモニック回帰/ARMAモデルをベンチマークし、NNがサンプル外平均二乗誤差(MSE)を低減することを発見した。 降水には多季にわたる30日間の降雨シーケンスでトレーニングされた畳み込みニューラルネットワーク(CNN)を用いて,形状とスケールパラメータを最大推定(MLE)および推定する。
  論文  参考訳（メタデータ） (2024-11-18T19:54:28Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Short-Term Electricity Load Forecasting Using the Temporal Fusion Transformer: Effect of Grid Hierarchies and Data Sources [0.0]
  短期負荷予測のためのTFTアーキテクチャの可能性について検討する。 TFTアーキテクチャは、グリッド全体の日頭予測のための最先端のLSTMモデルよりも高い予測性能を提供していない。 その結果, サブステーションレベルに適用した場合, 上位グリッドレベルへのアグリゲーションによるTFTの大幅な改善が認められた。
  論文  参考訳（メタデータ） (2023-05-17T20:33:51Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)

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。