論文の概要: A Data-Driven Predictive Framework for Inventory Optimization Using Context-Augmented Machine Learning Models

• arxiv url: http://arxiv.org/abs/2601.05033v1
• Date: Thu, 08 Jan 2026 15:43:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.255945
• Title: A Data-Driven Predictive Framework for Inventory Optimization Using Context-Augmented Machine Learning Models
• Title（参考訳）: 文脈拡張機械学習モデルを用いたインベントリ最適化のためのデータ駆動予測フレームワーク
• Authors: Anees Fatima, Mohammad Abdus Salam,
• Abstract要約: 本研究では,小売および自動販売機部門における需要予測を改善するため,機械学習(ML)アルゴリズムの利用について検討する。 平日、休日、販売偏差指標といった先進的な要因は、正確性を高めるために体系的に組み入れられた。 XGBoostは、外部変数を含め、平均絶対誤差(MAE)が22.7に達した。
• 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: Demand forecasting in supply chain management (SCM) is critical for optimizing inventory, reducing waste, and improving customer satisfaction. Conventional approaches frequently neglect external influences like weather, festivities, and equipment breakdowns, resulting in inefficiencies. This research investigates the use of machine learning (ML) algorithms to improve demand prediction in retail and vending machine sectors. Four machine learning algorithms. Extreme Gradient Boosting (XGBoost), Autoregressive Integrated Moving Average (ARIMA), Facebook Prophet (Fb Prophet), and Support Vector Regression (SVR) were used to forecast inventory requirements. Ex-ternal factors like weekdays, holidays, and sales deviation indicators were methodically incorporated to enhance precision. XGBoost surpassed other models, reaching the lowest Mean Absolute Error (MAE) of 22.7 with the inclusion of external variables. ARIMAX and Fb Prophet demonstrated noteworthy enhancements, whereas SVR fell short in performance. Incorporating external factors greatly improves the precision of demand forecasting models, and XGBoost is identified as the most efficient algorithm. This study offers a strong framework for enhancing inventory management in retail and vending machine systems.
• Abstract（参考訳）: サプライチェーン管理(SCM)の需要予測は在庫の最適化、廃棄物の削減、顧客満足度の向上に不可欠である。 従来のアプローチでは、天気、祝祭、設備の故障といった外部の影響をしばしば無視し、効率の悪さをもたらす。 本研究では,小売および自動販売機部門における需要予測を改善するため,機械学習(ML)アルゴリズムの利用について検討する。 4つの機械学習アルゴリズム。 XGBoost(Extreme Gradient Boosting)、ARIMA(Autoregressive Integrated Average)、Facebook Prophet(Fb Prophet)、Support Vector Regression(SVR)が在庫要件の予測に使用された。 平日、休日、販売偏差指標といった先進的な要因は、正確性を高めるために体系的に組み入れられた。 XGBoostは、外部変数を含め、平均絶対誤差(MAE)が22.7に達した。 ARIMAXとFb Prophetは注目すべき拡張を示し、SVRは性能が低かった。 外部要因を組み込むことで需要予測モデルの精度が大幅に向上し、XGBoostが最も効率的なアルゴリズムとして認識される。 本研究は,小売および自動販売機システムにおける在庫管理を強化するための強力な枠組みを提供する。

関連論文リスト

• Optimization of Deep Learning Models for Dynamic Market Behavior Prediction [4.594360512414794]
  UCI Online Retail IIデータセットを用いて,電子商取引におけるマルチ水平需要予測について検討した。 本稿では,マルチスケールの時間的畳み込み,ゲートリカレントモジュール,タイムアウェア・セルフアテンションを組み合わせたハイブリッド・シーケンス・モデルを提案する。 結果は,ピーク/ホリデー期間において,一貫した精度向上と改善を示した。
  論文  参考訳（メタデータ） (2025-11-24T13:30:52Z)
• AttnBoost: Retail Supply Chain Sales Insights via Gradient Boosting Perspective [6.21979432029352]
  AttnBoostは、予測精度と説明可能性の両方を高めるために、機能レベルの注意をブースティングプロセスに統合する。 我々はAttnBoostを大規模小売販売データセットで評価した。
  論文  参考訳（メタデータ） (2025-09-01T22:23:30Z)
• TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting [51.37167759339485]
  本稿では,アプリロリで知られたコンテキスト変数を利用して予測性能を向上させるマルチホライゾン予測器であるTemporal-Aligned Transformer (TAT)を提案する。 我々のモデルはエンコーダとデコーダで構成されており、どちらもピーク需要予測のためのコンテキスト依存アライメントを学習するための新しい時間アライメントアテンション(TAA)を組み込んでいる。 以上の結果から,TATはピーク需要予測において30%の精度を実現し,他の最先端手法と比較して総合的な性能を維持した。
  論文  参考訳（メタデータ） (2025-07-14T14:51:24Z)
• 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)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Enhancing Retail Sales Forecasting with Optimized Machine Learning Models [0.0]
  小売売上高予測では、在庫管理と戦略的計画にとって、将来の売上を正確に予測することが不可欠である。 機械学習(ML)の最近の進歩は、より堅牢な代替手段を提供する。 この研究はML、特にランダムフォレスト(RF)、グラディエントブースティング(GB)、サポートベクター回帰(SVR)、XGBoostの力の恩恵を受けている。
  論文  参考訳（メタデータ） (2024-10-17T17:11:33Z)
• 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)
• Augmenting Unsupervised Reinforcement Learning with Self-Reference [63.68018737038331]
  人間は、新しいタスクを学ぶ際に、過去の経験を明確に表現する能力を持っている。 本稿では,歴史情報を活用するためのアドオンモジュールとして,自己参照(SR)アプローチを提案する。 提案手法は,非教師付き強化学習ベンチマークにおけるIQM(Interquartile Mean)性能と最適ギャップ削減の両面から,最先端の成果を実現する。
  論文  参考訳（メタデータ） (2023-11-16T09:07:34Z)

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。