論文の概要: Leveraging Spatiotemporal Graph Neural Networks for Multi-Store Sales Forecasting

• arxiv url: http://arxiv.org/abs/2511.19267v1
• Date: Mon, 24 Nov 2025 16:19:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.307789
• Title: Leveraging Spatiotemporal Graph Neural Networks for Multi-Store Sales Forecasting
• Title（参考訳）: 多段階販売予測のための時空間グラフニューラルネットワークの活用
• Authors: Manish Singh, Arpita Dayama,
• Abstract要約: 我々は、学習した適応グラフを通してストア間の依存関係をモデル化する関係予測フレームワークを構築した。 提案したSTGNNは,ログ依存販売を予測し,残留経路を通じて最終値を再構築することにより,安定したトレーニングと一般化を実現する。 実験の結果,STGNNの総予測誤差は最小であり,正規化トータル絶対誤差,P90 MAPE,店舗間のMAPEのばらつきに優れていた。
• 参考スコア（独自算出の注目度）: 0.8680081568963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work evaluates the effectiveness of spatiotemporal Graph Neural Networks (GNNs) for multi-store retail sales forecasting and compares their performance against ARIMA, LSTM, and XGBoost baselines. Using weekly sales data from 45 Walmart stores, we construct a relational forecasting framework that models inter-store dependencies through a learned adaptive graph. The proposed STGNN predicts log-differenced sales and reconstructs final values through a residual path, enabling stable training and improved generalisation. Experiments show that STGNN achieves the lowest overall forecasting error, outperforming all baselines in Normalised Total Absolute Error, P90 MAPE, and variance of MAPE across stores. Analysis of the learned adjacency matrix reveals meaningful functional store clusters and high-influence nodes that emerge without geographic metadata. These results demonstrate that relational structure significantly improves forecast quality in interconnected retail environments and establishes STGNNs as a robust modelling choice for multi-store demand prediction.
• Abstract（参考訳）: 本研究では,マルチストア小売販売予測における時空間グラフニューラルネットワーク(GNN)の有効性を評価し,その性能をARIMA,LSTM,XGBoostベースラインと比較する。 Walmart45店舗の毎週の販売データを用いて、学習した適応グラフを通じてストア間の依存関係をモデル化するリレーショナル予測フレームワークを構築した。 提案したSTGNNは,ログ依存販売を予測し,残留経路を通じて最終値を再構築することにより,安定したトレーニングと一般化を実現する。 実験の結果,STGNNの総予測誤差は最小であり,正規化トータル絶対誤差,P90 MAPE,店舗間のMAPEのばらつきに優れていた。 学習した隣接行列の分析により,地理的メタデータなしで出現する有意義な機能的ストアクラスタと高影響ノードが明らかになった。 これらの結果は、リレーショナル構造が相互接続された小売環境における予測品質を大幅に改善し、マルチストア需要予測のための堅牢なモデリング選択としてSTGNNを確立していることを示している。

関連論文リスト

• Self-Adaptive Graph Mixture of Models [4.3009319001455975]
  Self-Adaptive Graph Mixture of Models (SAGMM)は、最も適切なGNNモデルを自動的に選択して組み合わせることを学ぶモジュール式で実用的なフレームワークである。 我々は、ノード分類、グラフ分類、回帰、リンク予測タスクを含む16のベンチマークデータセット上でSAGMMを評価する。
  論文  参考訳（メタデータ） (2025-11-17T07:11:06Z)
• Leveraging GNN to Enhance MEF Method in Predicting ENSO [0.4199844472131922]
  アンサンブルの80人全員の類似性を直接モデル化するために,グラフ解析を用いたより良いフレームワークを提案する。 コミュニティ検出手法を用いて20名のメンバを最適化したサブセットを得る。 この方法は、ノイズ除去とアンサンブルコヒーレンスに重点を置くことにより予測スキルを向上させる。
  論文  参考訳（メタデータ） (2025-08-10T16:16:58Z)
• Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting [0.0]
  予測が販売水準を過小評価すると、企業は販売、不足、そして関連する市場での小売業者の評判に影響を及ぼす。 本研究は,高解像度のレンガとモルタルの小売データセットに適用した予測モデルを徹底的に評価する。
  論文  参考訳（メタデータ） (2025-06-06T10:08:17Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• 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)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)

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。