論文の概要: EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge

• arxiv url: http://arxiv.org/abs/2602.07695v1
• Date: Sat, 07 Feb 2026 20:36:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.76229
• Title: EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge
• Title（参考訳）: EventCast: LLMベースのイベント知識を備えたEコマースにおけるハイブリッド需要予測
• Authors: Congcong Hu, Yuang Shi, Fan Huang, Yang Xiang, Zhou Ye, Ming Jin, Shiyu Wang,
• Abstract要約: EventCastは、将来のイベント知識を時系列予測に統合するモジュラー予測フレームワークである。 10ヶ月にわたって、160のリージョンの4つの国にまたがる現実世界のeコマースシナリオにデプロイされている。
• 参考スコア（独自算出の注目度）: 15.283406081233986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Demand forecasting is a cornerstone of e-commerce operations, directly impacting inventory planning and fulfillment scheduling. However, existing forecasting systems often fail during high-impact periods such as flash sales, holiday campaigns, and sudden policy interventions, where demand patterns shift abruptly and unpredictably. In this paper, we introduce EventCast, a modular forecasting framework that integrates future event knowledge into time-series prediction. Unlike prior approaches that ignore future interventions or directly use large language models (LLMs) for numerical forecasting, EventCast leverages LLMs solely for event-driven reasoning. Unstructured business data, which covers campaigns, holiday schedules, and seller incentives, from existing operational databases, is processed by an LLM that converts it into interpretable textual summaries leveraging world knowledge for cultural nuances and novel event combinations. These summaries are fused with historical demand features within a dual-tower architecture, enabling accurate, explainable, and scalable forecasts. Deployed on real-world e-commerce scenarios spanning 4 countries of 160 regions over 10 months, EventCast achieves up to 86.9% and 97.7% improvement on MAE and MSE compared to the variant without event knowledge, and reduces MAE by up to 57.0% and MSE by 83.3% versus the best industrial baseline during event-driven periods. EventCast has deployed into real-world industrial pipelines since March 2025, offering a practical solution for improving operational decision-making in dynamic e-commerce environments.
• Abstract（参考訳）: 需要予測はeコマース事業の基盤であり、在庫計画と充足スケジュールに直接影響を及ぼす。 しかし、フラッシュセールやホリデーキャンペーン、急激な政策介入など、需要パターンが急激かつ予測不能な時期に、既存の予測システムは失敗することが多い。 本稿では,今後のイベント知識を時系列予測に統合するモジュール型予測フレームワークであるEventCastを紹介する。 将来の介入を無視したり、数値予測に大規模言語モデル(LLM)を直接使用する以前のアプローチとは異なり、EventCastはイベント駆動推論にのみLLMを利用する。 既存の運用データベースからのキャンペーンやホリデースケジュール、販売者のインセンティブをカバーした非構造化のビジネスデータは、LLMによって処理され、文化的なニュアンスや新しいイベントの組み合わせに世界知識を活用する解釈可能なテキスト要約に変換される。 これらの要約は、デュアルトウワーアーキテクチャにおける歴史的需要特徴と融合し、正確で説明可能な、スケーラブルな予測を可能にする。 EventCastは10ヶ月にわたって4か国、160か国にまたがる現実のeコマースシナリオに展開され、イベント知識のない変種と比較して、MAEとMSEの最大86.9%と97.7%の改善を達成し、イベント駆動期間における最高の産業ベースラインと比較して、MAEを最大57.0%、MSEを最大83.3%削減する。 EventCastは2025年3月から現実の産業用パイプラインに展開しており、ダイナミックなeコマース環境における運用上の意思決定を改善するための実用的なソリューションを提供している。

関連論文リスト

• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• 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)
• Wisdom of the Crowds in Forecasting: Forecast Summarization for Supporting Future Event Prediction [17.021220773165016]
  Future Event Prediction (FEP) は、複数のドメインにまたがる需要とアプリケーションの範囲にまたがる重要なアクティビティである。 予測方法の1つは、将来についての集合的な意見を収集して集約し、累積的な視点が今後の出来事の可能性を推定する可能性をもたらすように予測することである。 本研究では,個々の予測を集約することで,群衆の知恵に基づく今後のイベント予測を支援するために,既存の研究・フレームワークを編成する。
  論文  参考訳（メタデータ） (2025-02-12T08:35:10Z)
• Navigating Tomorrow: Reliably Assessing Large Language Models Performance on Future Event Prediction [17.021220773165016]
  本研究では,将来の予測タスクを支援するために,複数の大規模言語モデル(LLM)の性能を評価する。 我々は、エンティティタイプとその人気に基づいてニュース記事を発見し分類することで、データセット1を作成する。
  論文  参考訳（メタデータ） (2025-01-10T12:44:46Z)
• LLMForecaster: Improving Seasonal Event Forecasts with Unstructured Textual Data [63.777637042161544]
  本稿では,非構造化意味情報と文脈情報と履歴データを組み込むために,大規模言語モデルを微調整した新しい予測ポストプロセッサを提案する。 産業規模の小売アプリケーションでは, ホリデードリブン需要の急激な上昇にともなう数種類の製品に対して, 本手法が統計的に有意な改善を予測できることが実証された。
  論文  参考訳（メタデータ） (2024-12-03T16:18:42Z)
• 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)
• SCTc-TE: A Comprehensive Formulation and Benchmark for Temporal Event Forecasting [63.01035584154509]
  私たちは完全に自動化されたパイプラインを開発し、約0.6百万のニュース記事からMidEast-TEという大規模なデータセットを構築しました。 このデータセットは、2015年から2022年まで、主に中東地域での協力と紛争イベントに焦点を当てている。 そこで本稿では,SCTc-TE予測にローカルコンテキストとグローバルコンテキストの両方を活用可能なLoGoを提案する。
  論文  参考訳（メタデータ） (2023-12-02T07:40:21Z)
• Multimodal Neural Network For Demand Forecasting [0.8602553195689513]
  本稿では,ニュース記事からのリアルタイムイベントと,過去のセールスやホリデー情報といった従来のデータを組み合わせたマルチモーダルセールス予測ネットワークを提案する。 従来の販売予測手法と比較して,SMAPEの誤差測定値の平均改善率は7.37%と統計的に有意な改善を示した。
  論文  参考訳（メタデータ） (2022-10-20T18:06:36Z)
• Forecasting Future World Events with Neural Networks [68.43460909545063]
  Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。 ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。 予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
  論文  参考訳（メタデータ） (2022-06-30T17:59:14Z)

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。