論文の概要: Automobile demand forecasting: Spatiotemporal and hierarchical modeling, life cycle dynamics, and user-generated online information

• arxiv url: http://arxiv.org/abs/2511.17275v1
• Date: Fri, 21 Nov 2025 14:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.061398
• Title: Automobile demand forecasting: Spatiotemporal and hierarchical modeling, life cycle dynamics, and user-generated online information
• Title（参考訳）: 自動車需要予測:時空間・階層モデリング、ライフサイクルダイナミクス、およびユーザ生成オンライン情報
• Authors: Tom Nahrendorf, Stefan Minner, Helfried Binder, Richard Zinck,
• Abstract要約: 本研究は、ドイツの高級車メーカーのデータを用いて、多製品、多市場、多レベルの階層にまたがる月間自動車需要予測に対処する。 この手法は、戦略的および運用計画レベルでのポイント予測と確率予測を組み合わせ、プール化されたトレーニングセットとLightMモデルのアンサンブル、量子レグレッション、混合整数線形プログラミング和解アプローチを活用する。 結果は、スパース依存関係とラウンドバイアスが予測精度に大きく影響し、運用の実現可能性に対する整数予測の重要性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Premium automotive manufacturers face increasingly complex forecasting challenges due to high product variety, sparse variant-level data, and volatile market dynamics. This study addresses monthly automobile demand forecasting across a multi-product, multi-market, and multi-level hierarchy using data from a German premium manufacturer. The methodology combines point and probabilistic forecasts across strategic and operational planning levels, leveraging ensembles of LightGBM models with pooled training sets, quantile regression, and a mixed-integer linear programming reconciliation approach. Results highlight that spatiotemporal dependencies, as well as rounding bias, significantly affect forecast accuracy, underscoring the importance of integer forecasts for operational feasibility. Shapley analysis shows that short-term demand is reactive, shaped by life cycle maturity, autoregressive momentum, and operational signals, whereas medium-term demand reflects anticipatory drivers such as online engagement, planning targets, and competitive indicators, with online behavioral data considerably improving accuracy at disaggregated levels.
• Abstract（参考訳）: 高級自動車メーカーは、高い製品種、希少な変動レベルのデータ、不安定な市場のダイナミクスにより、ますます複雑な予測課題に直面している。 本研究は、ドイツの高級車メーカーのデータを用いて、多製品、多市場、多レベルの階層にまたがる月間自動車需要予測に対処する。 この手法は、戦略的および運用計画レベルでのポイント予測と確率予測を組み合わせ、プール化されたトレーニングセット、量子レグレッション、混合整数線形プログラミング和解アプローチによるLightGBMモデルのアンサンブルを活用する。 その結果,時空間依存性と円周偏差が予測精度に大きく影響し,操作実現可能性に対する整数予測の重要性が強調された。 シェープ分析は、短期的な需要はライフサイクルの成熟度、自己回帰運動量、運用信号によって形成され、一方、中期的な需要は、オンラインエンゲージメント、計画目標、競争指標などの予測ドライバを反映しており、オンライン行動データは、分解レベルにおける精度を著しく改善していることを示している。

関連論文リスト

• FutureX: An Advanced Live Benchmark for LLM Agents in Future Prediction [92.7392863957204]
  FutureXは、将来の予測のための最大かつ最も多様なライブベンチマークである。 リアルタイムの日次更新をサポートし、質問収集と回答収集のための自動パイプラインを通じてデータの汚染を取り除く。 推論,検索機能,外部ツールの統合などを含む25のLLM/エージェントモデルを評価した。
  論文  参考訳（メタデータ） (2025-08-16T08:54:08Z)
• Unemployment Dynamics Forecasting with Machine Learning Regression Models [1.9761774213809031]
  本稿では、月次失業率データに回帰と機械学習の手法を適用し、タイムリーな予測を行う方法について検討した。 私は、線形回帰、SGDRegressor、ランダムフォレスト、XGBoost、CatBoost、サポートベクター回帰、LSTMネットワークの7つのモデルを比較した。 我々の研究は、現代の機械学習技術がリアルタイムの失業予測を強化し、経済学者や政策立案者が労働市場の動向についてより深い洞察を提供する方法を示している。
  論文  参考訳（メタデータ） (2025-05-03T21:55:28Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach [2.0213537170294793]
  本稿では、ハイブリッド機械学習アルゴリズムの比較研究を行い、モデル解釈可能性の向上に活用する。 本稿では,金融時系列予測において出現する潜伏関係や複雑なパターンの発掘を目的とした,分解,自己相関関数,指数的三重予測など,時系列統計の事前処理技術に関する体系的な概要を述べる。
  論文  参考訳（メタデータ） (2023-12-31T16:38:32Z)
• XRMDN: An Extended Recurrent Mixture Density Network for Short-Term Probabilistic Rider Demand Forecasting with High Volatility [16.047461063459846]
  本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。 XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-10-15T14:18:42Z)
• 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)
• Reframing demand forecasting: a two-fold approach for lumpy and intermittent demand [0.9137554315375922]
  その結果,競争需要予測は,需要発生予測と需要規模推定の2つのモデルによって得られることがわかった。 本研究は,需要イベントの発生予測において,グローバル分類モデルが最善の選択であることを示す。 欧州の自動車オリジナル機器メーカーの日頃の需要に対応する516年3年間の時系列からなる現実世界のデータに関するアプローチをテストしました。
  論文  参考訳（メタデータ） (2021-03-23T17:57:40Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。