論文の概要: Hierarchical Industrial Demand Forecasting with Temporal and Uncertainty Explanations
- arxiv url: http://arxiv.org/abs/2603.06555v1
- Date: Fri, 06 Mar 2026 18:44:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 13:17:46.401731
- Title: Hierarchical Industrial Demand Forecasting with Temporal and Uncertainty Explanations
- Title（参考訳）: 時間的・不確実な説明を伴う階層的産業需要予測
- Authors: Harshavardhan Kamarthi, Shangqing Xu, Xinjie Tong, Xingyu Zhou, James Peters, Joseph Czyzyk, B. Aditya Prakash,
- Abstract要約: 本稿では,大規模階層的確率的時系列予測のための新しい解釈可能性手法を提案する。
我々のアプローチは、現実の産業サプライチェーンのシナリオに対する貴重な解釈的洞察を提供する。
このアプローチは、ユーザ間の信頼と信頼の構築に役立ち、最終的には階層的な予測モデルの採用と利用を向上します。
- 参考スコア（独自算出の注目度）: 22.057913102604896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hierarchical time-series forecasting is essential for demand prediction across various industries. While machine learning models have obtained significant accuracy and scalability on such forecasting tasks, the interpretability of their predictions, informed by application, is still largely unexplored. To bridge this gap, we introduce a novel interpretability method for large hierarchical probabilistic time-series forecasting, adapting generic interpretability techniques while addressing challenges associated with hierarchical structures and uncertainty. Our approach offers valuable interpretative insights in response to real-world industrial supply chain scenarios, including 1) the significance of various time-series within the hierarchy and external variables at specific time points, 2) the impact of different variables on forecast uncertainty, and 3) explanations for forecast changes in response to modifications in the training dataset. To evaluate the explainability method, we generate semi-synthetic datasets based on real-world scenarios of explaining hierarchical demands for over ten thousand products at a large chemical company. The experiments showed that our explainability method successfully explained state-of-the-art industrial forecasting methods with significantly higher explainability accuracy. Furthermore, we provide multiple real-world case studies that show the efficacy of our approach in identifying important patterns and explanations that help stakeholders better understand the forecasts. Additionally, our method facilitates the identification of key drivers behind forecasted demand, enabling more informed decision-making and strategic planning. Our approach helps build trust and confidence among users, ultimately leading to better adoption and utilization of hierarchical forecasting models in practice.
- Abstract（参考訳）: 階層的時系列予測は、様々な産業における需要予測に不可欠である。
機械学習モデルは、そのような予測タスクにおいて、かなりの精度とスケーラビリティを得たが、アプリケーションから情報を得た予測の解釈可能性はまだ明らかにされていない。
このギャップを埋めるために,階層構造や不確実性に関わる課題に対処しつつ,汎用的な解釈可能性手法を適用した大規模階層的確率的時系列予測のための新しい解釈可能性手法を提案する。
我々のアプローチは、実業界におけるサプライチェーンのシナリオに対する価値ある解釈的洞察を提供する。
1)階層内の様々な時系列と特定の時点における外部変数の意義。
2様々な変数が予測の不確実性に与える影響、及び
3)トレーニングデータセットの変更に伴う予測変更の説明。
本手法を評価するために, 大規模化学企業における1万以上の製品の階層的要求を説明する実世界のシナリオに基づいて, 半合成データセットを生成する。
実験の結果, 説明可能性の精度は極めて高く, 最先端の産業予測手法をうまく説明できた。
さらに、我々は、ステークホルダーが予測をよりよく理解するための重要なパターンや説明を特定するために、我々のアプローチの有効性を示す複数の実世界のケーススタディを提供している。
さらに,本手法は,予測需要の背景にある重要な要因の同定を容易にし,より情報に富んだ意思決定と戦略的計画を可能にする。
当社のアプローチは,ユーザ間の信頼と信頼を構築する上で有効です。
関連論文リスト
- Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。
ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
論文 参考訳（メタデータ） (2026-02-02T08:01:11Z) - Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。
直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。
我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
論文 参考訳（メタデータ） (2026-01-26T03:52:16Z) - Deconfounding Time Series Forecasting [1.5967186772129907]
時系列予測は様々な領域において重要な課題であり、正確な予測は情報的な意思決定を促進する。
従来の予測手法は、しばしば将来の結果を予測するために変数の現在の観測に依存している。
本稿では,過去のデータから得られた潜在的共同設立者の表現を取り入れた予測手法を提案する。
論文 参考訳（メタデータ） (2024-10-27T12:45:42Z) - A Predictive Approach To Enhance Time-Series Forecasting [6.377828331013327]
本稿では、時系列イベント予測を強化するアプローチであるFuture-Guided Learningを紹介する。
本手法は2つのモデルから構成される: 重要事象を識別するために将来のデータを解析する検出モデルと、これらの事象を現在のデータに基づいて予測する予測モデルである。
脳波データを用いた発作予測ではAUC-ROCが44.8%増加し,非線形力学系ではMSEが23.4%減少した。
論文 参考訳（メタデータ） (2024-10-19T21:22:55Z) - Performative Time-Series Forecasting [64.03865043422597]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
確率的予測が可能な条件付き潜伏拡散モデルを開発した。
予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
論文 参考訳（メタデータ） (2023-07-19T19:19:13Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳（メタデータ） (2022-06-13T21:31:06Z) - Why Did This Model Forecast This Future? Closed-Form Temporal Saliency
Towards Causal Explanations of Probabilistic Forecasts [20.442850522575213]
我々は、人間の知覚に基づく情報理論の一般的な定義の上に構築する。
本稿では, 将来の予測分布の差分エントロピーの観点から, 観測窓の塩分濃度を表現することを提案する。
筆者らは,本フレームワークを用いて,発話方向予測のサンプルタスクにおいて,頭部ポーズ機能から有意な窓を復元する方法を実証的に実証した。
論文 参考訳（メタデータ） (2022-06-01T18:00:04Z) - A machine learning approach for forecasting hierarchical time series [4.157415305926584]
階層時系列を予測するための機械学習手法を提案する。
予測整合は予測を調整し、階層をまたいで一貫性を持たせるプロセスである。
我々は、階層構造をキャプチャする情報を抽出するディープニューラルネットワークの能力を利用する。
論文 参考訳（メタデータ） (2020-05-31T22:26:16Z)
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。