論文の概要: One Global Model, Many Behaviors: Stockout-Aware Feature Engineering and Dynamic Scaling for Multi-Horizon Retail Demand Forecasting with a Cost-Aware Ordering Policy (VN2 Winner Report)

• arxiv url: http://arxiv.org/abs/2601.18919v1
• Date: Mon, 26 Jan 2026 19:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.044128
• Title: One Global Model, Many Behaviors: Stockout-Aware Feature Engineering and Dynamic Scaling for Multi-Horizon Retail Demand Forecasting with a Cost-Aware Ordering Policy (VN2 Winner Report)
• Title（参考訳）: 1つのグローバルモデル、多くの行動:コスト・アウェア・オーダリング・ポリシーによるマルチ水平小売需要予測のためのストックアウト・アウェアの特徴工学と動的スケーリング(VN2 受賞報告)
• Authors: Bartosz Szabłowski,
• Abstract要約: 本報告では,VN2 Inventory Planning Challengeの優勝ソリューションについて述べる。 単一のグローバルなマルチホライゾン予測モデルとコスト対応注文ポリシを組み合わせる。 VN2設定のために開発されたが、提案手法は現実世界のアプリケーションに拡張できる。
• 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: Inventory planning for retail chains requires translating demand forecasts into ordering decisions, including asymmetric shortages and holding costs. The VN2 Inventory Planning Challenge formalizes this setting as a weekly decision-making cycle with a two-week product delivery lead time, where the total cost is defined as the shortage cost plus the holding cost. This report presents the winning VN2 solution: a two-stage predict-then-optimize pipeline that combines a single global multi-horizon forecasting model with a cost-aware ordering policy. The forecasting model is trained in a global paradigm, jointly using all available time series. A gradient-boosted decision tree (GBDT) model implemented in CatBoost is used as the base learner. The model incorporates stockout-aware feature engineering to address censored demand during out-of-stock periods, per-series scaling to focus learning on time-series patterns rather than absolute levels, and time-based observation weights to reflect shifts in demand patterns. In the decision stage, inventory is projected to the start of the delivery week, and a target stock level is calculated that explicitly trades off shortage and holding costs. Evaluated by the official competition simulation in six rounds, the solution achieved first place by combining a strong global forecasting model with a lightweight cost-aware policy. Although developed for the VN2 setting, the proposed approach can be extended to real-world applications and additional operational constraints.
• Abstract（参考訳）: 小売チェーンの在庫計画では、需要予測を非対称な不足や保持コストを含む注文決定に変換する必要がある。 VN2 Inventory Planning Challengeは、この設定を2週間の製品提供リードタイムで毎週の意思決定サイクルとして定式化し、総コストを不足コストと保持コストと定義している。 本報告では, 単一グローバルマルチホライズン予測モデルとコスト対応順序付けポリシを組み合わせた2段階予測最適化パイプラインの勝利VN2ソリューションを提案する。 予測モデルはグローバルパラダイムでトレーニングされ、利用可能なすべての時系列を共同で使用します。 CatBoostで実装されたGate-boosted decision tree (GBDT) モデルをベースラーナとして使用する。 このモデルには、ストックアウト・アウェア機能エンジニアリングを使用して、ストックアウト期間中に検閲された需要に対応する、シリーズごとのスケーリング、絶対レベルではなく時系列パターンへの学習、需要パターンの変化を反映する時間ベースの観察重みが含まれる。 決定段階では、在庫は配達週の始めに予測され、目標株価レベルが算出され、不足と保持コストを明示的にトレードオフする。 6ラウンドで公式な競争シミュレーションによって評価され、このソリューションは強力なグローバル予測モデルと軽量なコスト対応ポリシを組み合わせることで、第1位を達成した。 VN2設定のために開発されたが、提案されたアプローチは現実世界のアプリケーションや追加の運用上の制約に拡張できる。

関連論文リスト

• Bayesian Optimization for Dynamic Pricing and Learning [0.306238659426286]
  ダイナミックな価格設定は、市場の需要に応じて企業の収益を最大化するために製品の販売価格を調整するプラクティスである。 従来の手法では需要関数の特定のパラメトリック形式を前提としており、強化学習(RL)を用いて最適に近い価格戦略を特定できる。 本稿では,制約付きモデリング仮定を避けるために,動的価格に対する非パラメトリックなアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-14T12:28:06Z)
• Outbound Modeling for Inventory Management [4.216093870387194]
  本研究では,顧客需要に対応するため,各在庫倉庫から供給された単位数(又は排出された単位数)を予測する問題について検討する。 実際の排水と出荷のコストは複雑な生産システムによって決定される。 本稿では, 生産システムを利用して, RL ポリシーによって誘導される対実在庫状態のドレインモデルを評価するバリデーション手法を提案する。
  論文  参考訳（メタデータ） (2025-07-15T01:10:38Z)
• 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)
• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• Dual-Agent Deep Reinforcement Learning for Dynamic Pricing and Replenishment [15.273192037219077]
  不整合決定周波数下での動的価格設定と補充問題について検討する。 我々は、包括的な市場データに基づいてトレーニングされた決定木に基づく機械学習アプローチを統合する。 このアプローチでは、2つのエージェントが価格と在庫を処理し、さまざまなスケールで更新される。
  論文  参考訳（メタデータ） (2024-10-28T15:12:04Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• Periodic Freight Demand Forecasting for Large-scale Tactical Planning [0.0]
  本稿では,計算的トラクタビリティに決定論的モデルを必要とする大規模戦術計画問題に焦点をあてる。 この環境での定期的な需要を推定する問題は、文献で見過ごされている。 その結果、カナダ国有鉄道(Canadian National Railway Company)の真の大規模応用に関する広範な実証研究が得られた。
  論文  参考訳（メタデータ） (2021-05-19T13:55:24Z)
• A Predictive Autoscaler for Elastic Batch Jobs [8.354712625979776]
  Deep Learning、HPC、Sparkといった大規模なバッチジョブは、従来のオンラインサービスよりもはるかに多くの計算リソースとコストを必要とします。 顧客とオーバプロビジョンインスタンスに対して,柔軟なインターフェースを提供するための予測オートスケーラを提案する。
  論文  参考訳（メタデータ） (2020-10-10T17:35:55Z)

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。