論文の概要: An Adaptive Model Selection Framework for Demand Forecasting under Horizon-Induced Degradation to Support Business Strategy and Operations

• arxiv url: http://arxiv.org/abs/2602.13939v1
• Date: Sun, 15 Feb 2026 00:24:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.570756
• Title: An Adaptive Model Selection Framework for Demand Forecasting under Horizon-Induced Degradation to Support Business Strategy and Operations
• Title（参考訳）: ビジネス戦略・運用支援のための水平劣化下における需要予測のための適応型モデル選択フレームワーク
• Authors: Adolfo González, Víctor Parada,
• Abstract要約: 構造的需要断続性、高い可変性、多段階計画の地平線によって特徴づけられるビジネス環境は、堅牢な再現可能なモデル選択機構を必要とする。 本研究では、水平線対応のランキング不安定性に対処するため、AHSIV(Adaptive Hybrid Selector for Intermittency and Variability)を提案する。
• 参考スコア（独自算出の注目度）: 0.479839492673697
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Business environments characterized by structural demand intermittency, high variability, and multi-step planning horizons require robust and reproducible model selection mechanisms. Empirical evidence shows that no forecasting model is universally dominant and that relative rankings vary across error metrics, demand regimes, and forecast horizons, generating ambiguity in multi-SKU decision contexts. This study proposes AHSIV (Adaptive Hybrid Selector for Intermittency and Variability), a horizon-aware and regime-conditioned model selection framework designed to address horizon-induced ranking instability. The proposed approach integrates scaled and absolute error metrics adjusted through a Metric Degradation by Forecast Horizon (MDFH) procedure, structural demand classification, multi-objective Pareto dominance, and hierarchical bias refinement within a unified decision architecture. The empirical evaluation is conducted on the Walmart, M3, M4, and M5 datasets under multiple train-test partition schemes and twelve-step forecasting horizons. Results indicate that AHSIV achieves statistical equivalence with the strongest monometric baseline in terms of aggregated performance while increasing the frequency of horizon-specific best-model selection. The findings demonstrate that model selection in heterogeneous demand environments cannot be treated as a static ranking problem, and that horizon-consistent, structurally adaptive mechanisms provide a principled, operationally coherent solution for multi-SKU forecasting.
• Abstract（参考訳）: 構造的需要断続性、高い可変性、多段階計画の地平線を特徴とするビジネス環境は、堅牢で再現可能なモデル選択機構を必要とする。 実証的な証拠は、予測モデルが普遍的に支配的であり、相対的なランクはエラーメトリクス、需要状況、予測地平線によって異なり、マルチSKU決定コンテキストにおける曖昧さが生じることを示している。 本研究では, 水平方向対応型モデル選択フレームワークである AHSIV (Adaptive Hybrid Selector for Intermittency and Variability) を提案する。 提案手法は,MDFH法(Metric Degradation by Forecast Horizon)法,構造的需要分類,多目的パレート支配,階層的バイアス改善などによって調整されたスケールと絶対誤差のメトリクスを統合する。 実験的な評価は、Walmart、M3、M4、M5データセット上で、複数の列車試験分割スキームと12ステップの予測地平線の下で行われる。 その結果, AHSIV は, 最強の単メトリックベースラインとの統計的等価性を, 水平比最良モデル選択の頻度を増大させつつも, 集約性能の点で達成できることが示唆された。 その結果, 異種需要環境におけるモデル選択は静的なランキング問題として扱えないこと, 水平一貫した構造的適応機構が, マルチSKU予測の原理的, 運用的一貫性のある解を提供することを示した。

関連論文リスト

• Modular and Adaptive Conformal Prediction for Sequential Models via Residual Decomposition [8.759857025553549]
  本稿では,2段階連続モデルに対する共形予測フレームワークを提案する。 本手法は,ステージ固有のコンポーネントに残留する全体の予測により,特定のパイプラインステージに不確実性を持たせることができる。 実世界のサプライチェーンや株式市場のデータと同様に, 合成分布シフトの実験は, 標準等角法を劣化させる条件下で, 本手法が適用範囲を維持することを実証している。
  論文  参考訳（メタデータ） (2025-10-06T00:33:18Z)
• Conformalized Exceptional Model Mining: Telling Where Your Model Performs (Not) Well [31.013018198280506]
  本稿では,新しいフレームワークであるConformalized Exceptional Model Miningを紹介する。 コンフォーマル予測の厳密さと例外モデルマイニングの説明力を組み合わせる。 我々は、共形予測の厳密なカバレッジ保証を通じて不確実性を定量化する新しいモデルクラスmSMoPEを開発する。
  論文  参考訳（メタデータ） (2025-08-21T13:43:14Z)
• Hierarchical Evaluation Function: A Multi-Metric Approach for Optimizing Demand Forecasting Models [0.479839492673697]
  ハイパーパラメータ最適化のためのマルチメトリックフレームワークとして階層評価関数(HEF)を提案する。 HEFは説明力(R2)、過度エラーに対する感度(RMSE)、平均精度(MAE)を統合している。 HEFの性能は予測領域で広く認識されている4つのベンチマークデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2025-08-18T16:25:49Z)
• Foundation Models for Demand Forecasting via Dual-Strategy Ensembling [11.926658499983446]
  本研究では,現実のサプライチェーンにおける販売予測のための基盤モデルの性能を向上させる統一アンサンブルフレームワークを提案する。 提案手法は,(1)階層型アンサンブル(HE)と(2)モデルバックボーンからの予測を統合し,バイアスを緩和し,安定性を向上させるアーキテクチャアンサンブル(AE)の2つの相補的戦略を組み合わせる。
  論文  参考訳（メタデータ） (2025-07-29T17:56:38Z)
• LLM4Rerank: LLM-based Auto-Reranking Framework for Recommendations [51.76373105981212]
  リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。 そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。 カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
  論文  参考訳（メタデータ） (2024-06-18T09:29:18Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• XRMDN: An Extended Recurrent Mixture Density Network for Short-Term Probabilistic Rider Demand Forecasting with High Volatility [16.047461063459846]
  本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。 XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-10-15T14:18:42Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)

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。