論文の概要: Process-Aware Procurement Lead Time Prediction for Shipyard Delay Mitigation

• arxiv url: http://arxiv.org/abs/2601.19296v1
• Date: Tue, 27 Jan 2026 07:37:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.226549
• Title: Process-Aware Procurement Lead Time Prediction for Shipyard Delay Mitigation
• Title（参考訳）: 造船所遅延低減のためのプロセスアウェア調達リードタイム予測
• Authors: Yongjae Lee, Eunhee Park, Daesan Park, Dongho Kim, Jongho Choi, Hyerim Bae,
• Abstract要約: 本稿では、イベントログ、調達イベントのデータセット記録と、調達リードタイムを予測する静的属性を組み合わせた新しいフレームワークを提案する。 ディープニューラルネットワークと多層シーケンシャルパーセプトロンを組み合わせることで、静的および動的特徴を統合することにより、モデルが調達時に構造情報とコンテキスト情報の両方をキャプチャすることができる。
• 参考スコア（独自算出の注目度）: 30.071946373919996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately predicting procurement lead time (PLT) remains a challenge in engineered-to-order industries such as shipbuilding and plant construction, where delays in a single key component can disrupt project timelines. In shipyards, pipe spools are critical components; installed deep within hull blocks soon after steel erection, any delay in their procurement can halt all downstream tasks. Recognizing their importance, existing studies predict PLT using the static physical attributes of pipe spools. However, procurement is inherently a dynamic, multi-stakeholder business process involving a continuous sequence of internal and external events at the shipyard, factors often overlooked in traditional approaches. To address this issue, this paper proposes a novel framework that combines event logs, dataset records of the procurement events, with static attributes to predict PLT. The temporal attributes of each event are extracted to reflect the continuity and temporal context of the process. Subsequently, a deep sequential neural network combined with a multi-layered perceptron is employed to integrate these static and dynamic features, enabling the model to capture both structural and contextual information in procurement. Comparative experiments are conducted using real-world pipe spool procurement data from a globally renowned South Korean shipbuilding corporation. Three tasks are evaluated, which are production, post-processing, and procurement lead time prediction. The results show a 22.6% to 50.4% improvement in prediction performance in terms of mean absolute error over the best-performing existing approaches across the three tasks. These findings indicate the value of considering procurement process information for more accurate PLT prediction.
• Abstract（参考訳）: 調達リードタイム(PLT)の正確な予測は、単一キーコンポーネントの遅延がプロジェクトタイムラインを混乱させるような、造船やプラント建設といったエンジニアリングと注文の業界において依然として課題である。 造船所では、パイプスプールは重要な構成要素であり、鋼鉄の押出後すぐに船体ブロックの奥深くに設置され、その調達の遅れは下流の全ての作業を止めることができる。 その重要性を認識し,パイプスプールの静的物性を用いてPLTを予測する。 しかしながら、調達は本質的には、造船所における内部および外部イベントの連続的なシーケンスを含む、動的でマルチステークホルダーのビジネスプロセスであり、しばしば従来のアプローチでは見過ごされがちである。 この問題に対処するため,本稿では,イベントログ,調達イベントのデータセット記録,PLT予測のための静的属性を組み合わせた新しいフレームワークを提案する。 各事象の時間的属性を抽出し、プロセスの連続性と時間的文脈を反映する。 その後、重層パーセプトロンと組み合わせたディープシーケンシャルニューラルネットワークを使用して、静的および動的特徴を統合することにより、モデルが調達時に構造情報とコンテキスト情報の両方をキャプチャすることができる。 実世界で有名な韓国の造船会社のスプール調達データを用いて比較実験を行った。 生産、後処理、調達のリードタイム予測という3つのタスクが評価される。 その結果、3つのタスクにまたがる最高のパフォーマンスのアプローチよりも平均的な絶対誤差で予測性能が22.6%から50.4%向上した。 これらの結果は、より正確なPLT予測のための調達プロセス情報を検討することの価値を示している。

関連論文リスト

• Beyond Leakage and Complexity: Towards Realistic and Efficient Information Cascade Prediction [37.50536404287287]
  情報カスケードの人気予測は、ソーシャルネットワークにおけるコンテンツ拡散を分析する上で重要な問題である。 時系列的にデータを連続するウィンドウに分割する時間順序分割戦略を提案する。 第2に,豊富なプロモーター/製品属性を備えた大規模EコマースカスケードデータセットであるTaokeを紹介する。 第3に,時間的歩行を通してカスケード力学を効率的にモデル化する軽量フレームワークCasTempを開発した。
  論文  参考訳（メタデータ） (2025-10-29T10:06:08Z)
• TimeOmni-1: Incentivizing Complex Reasoning with Time Series in Large Language Models [105.47481207029047]
  時系列を推論する3つの基本的な機能にまたがる4つのアトミックタスクを形式化した時系列推論スイート(TSR-Suite)を紹介する。 また,時系列推論を必要とする多種多様な実世界の問題に対処するために設計された最初の統一推論モデルであるTime Omni-1を紹介する。
  論文  参考訳（メタデータ） (2025-09-29T13:54:34Z)
• Decomposing the Time Series Forecasting Pipeline: A Modular Approach for Time Series Representation, Information Extraction, and Projection [2.5216923314390733]
  時系列予測は依然として困難な課題であり、効果的なシーケンス表現、意味のある情報抽出、正確な将来予測を要求している。 本研究は時系列予測パイプラインを,入力シーケンス表現,情報抽出とメモリ構築,最終目標投影という3つのコアステージに分解する。 我々のモデルは、トレーニング時間と推論時間を短縮し、パラメータ数を小さくし、計算効率を大幅に向上させながら、最先端の予測精度を達成する。
  論文  参考訳（メタデータ） (2025-07-08T11:26:42Z)
• RoTHP: Rotary Position Embedding-based Transformer Hawkes Process [0.0]
  テンポラルポイントプロセス(TPP)は、非同期イベントシーケンスデータのモデリングに一般的に使用される。 本稿では,新しいロータリー位置埋め込み型THPアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-11T10:59:09Z)
• Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
  CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す 提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。 コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
  論文  参考訳（メタデータ） (2024-02-01T07:21:30Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Causal Transformer for Estimating Counterfactual Outcomes [18.640006398066188]
  多くのアプリケーションでは、観測データから時間とともに反現実的な結果を予測することが重要となる。 我々は、時間とともに反現実的な結果を予測するための新しい因果変換器を開発した。 私たちのモデルは、時間によって異なる共同設立者間の複雑な長距離依存関係をキャプチャするために特別に設計されています。
  論文  参考訳（メタデータ） (2022-04-14T22:40:09Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。