論文の概要: TSB-HB: A Hierarchical Bayesian Extension of the TSB Model for Intermittent Demand Forecasting

• arxiv url: http://arxiv.org/abs/2511.12749v1
• Date: Sun, 16 Nov 2025 19:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.517305
• Title: TSB-HB: A Hierarchical Bayesian Extension of the TSB Model for Intermittent Demand Forecasting
• Title（参考訳）: TSB-HB:断続需要予測のためのTSBモデルの階層的ベイズ拡張
• Authors: Zong-Han Bai, Po-Yen Chu,
• Abstract要約: 断続的な需要予測は、希薄な観測、コールドスタートアイテム、不定形化などによって、ユニークな課題を生んでいる。 ディープラーニングモデルはこれらの制限に対処するが、大きなデータセットと解釈可能性の犠牲を必要とすることが多い。 本稿では,TSBの階層的ベイズ拡張であるTSB-HBを紹介する。 この枠組みは古典的指数的滑らか化を一般化する完全生成的かつ解釈可能なモデルをもたらす。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intermittent demand forecasting poses unique challenges due to sparse observations, cold-start items, and obsolescence. Classical models such as Croston, SBA, and the Teunter-Syntetos-Babai (TSB) method provide simple heuristics but lack a principled generative foundation. Deep learning models address these limitations but often require large datasets and sacrifice interpretability. We introduce TSB-HB, a hierarchical Bayesian extension of TSB. Demand occurrence is modeled with a Beta-Binomial distribution, while nonzero demand sizes follow a Log-Normal distribution. Crucially, hierarchical priors enable partial pooling across items, stabilizing estimates for sparse or cold-start series while preserving heterogeneity. This framework yields a fully generative and interpretable model that generalizes classical exponential smoothing. On the UCI Online Retail dataset, TSB-HB achieves lower RMSE and RMSSE than Croston, SBA, TSB, ADIDA, IMAPA, ARIMA and Theta, and on a subset of the M5 dataset it outperforms all classical baselines we evaluate. The model provides calibrated probabilistic forecasts and improved accuracy on intermittent and lumpy items by combining a generative formulation with hierarchical shrinkage, while remaining interpretable and scalable.
• Abstract（参考訳）: 断続的な需要予測は、希薄な観測、コールドスタートアイテム、不定形化などによって、ユニークな課題を生んでいる。 Croston, SBA, および Teunter-Syntetos-Babai (TSB) 法のような古典的なモデルは単純なヒューリスティックスを提供するが、原則的生成基盤は欠如している。 ディープラーニングモデルはこれらの制限に対処するが、大きなデータセットと解釈可能性の犠牲を必要とすることが多い。 我々はTSBの階層的ベイズ拡張であるTSB-HBを紹介する。 需要発生はBeta-Binomial分布でモデル化され、非ゼロ需要サイズはLog-Normal分布に従っている。 歴史的には、階層的な事前はアイテム間の部分的なプーリングを可能にし、不均一性を維持しながらスパース級数やコールドスタート級数の見積もりを安定化する。 この枠組みは古典的指数的滑らか化を一般化する完全生成的かつ解釈可能なモデルをもたらす。 UCI Online Retail データセットでは、TSB-HB は Croston, SBA, TSB, ADIDA, IMAPA, ARIMA, Theta よりも低い RMSE と RMSSE を達成する。 このモデルでは,生成的定式化と階層的縮小を組み合わせながら,解釈可能でスケーラブルなまま,間欠的および間欠的項目のキャリブレーション確率予測と精度の向上を実現している。

関連論文リスト

• Comparing Data Assimilation and Likelihood-Based Inference on Latent State Estimation in Agent-Based Models [5.107477527498209]
  本稿では,エージェントベースモデル(ABM)の文脈において,データ同化(DA)とIslihood-based Inference(LBI)を初めて体系的に比較する。 LBIは、モデルの可能性を直接活用することで、より正確な状態推定を提供するが、手作りの、モデル固有の可能性関数を必要とするコストがかかる。 LBIはエージェントレベルの推論に好適であるのに対し, DAは集約予測に好適であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-22T11:34:55Z)
• Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
  我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。 我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。 原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
  論文  参考訳（メタデータ） (2025-09-16T17:24:35Z)
• 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)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• From Tables to Time: How TabPFN-v2 Outperforms Specialized Time Series Forecasting Models [40.19199376033612]
  本稿では,TabPFN-v2と軽量機能工学を組み合わせた簡易な手法TabPFN-TSを導入する。 その単純さとコンパクトなサイズ(11Mパラメータ)にもかかわらず、TabPFN-TSは両方の予測タスクで公開GIFT-Evalリーダーボードのトップランクを獲得している。
  論文  参考訳（メタデータ） (2025-01-06T11:38:19Z)
• The Bayesian Context Trees State Space Model for time series modelling and forecasting [7.018547803286913]
  時系列用の木に基づく混合モデルを開発するための階層型ベイズフレームワークが導入された。 これをBayesian Context Trees State Space Model(BCT-Xフレームワーク)と呼びます。
  論文  参考訳（メタデータ） (2023-08-02T02:40:42Z)
• ChiroDiff: Modelling chirographic data with Diffusion Models [132.5223191478268]
  チャーログラフィーデータのための強力なモデルクラスである「拡散確率モデル(Denoising Diffusion Probabilistic Models)」やDDPMを導入している。 我々のモデルは「ChiroDiff」と呼ばれ、非自己回帰的であり、全体論的概念を捉えることを学び、したがって高い時間的サンプリングレートに回復する。
  論文  参考訳（メタデータ） (2023-04-07T15:17:48Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• GP-BART: a novel Bayesian additive regression trees approach using Gaussian processes [1.03590082373586]
  GP-BARTモデル(GP-BART model)は、すべての木間の各終端ノードの予測にGP先行を仮定することで制限に対処するBARTの拡張である。 モデルの有効性は、シミュレーションおよび実世界のデータへの応用を通じて実証され、様々なシナリオにおける従来のモデリング手法のパフォーマンスを上回る。
  論文  参考訳（メタデータ） (2022-04-05T11:18:44Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)

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。