論文の概要: Beyond Accuracy: Evaluating Forecasting Models by Multi-Echelon Inventory Cost

• arxiv url: http://arxiv.org/abs/2603.16815v1
• Date: Tue, 17 Mar 2026 17:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.448106
• Title: Beyond Accuracy: Evaluating Forecasting Models by Multi-Echelon Inventory Cost
• Title（参考訳）: 精度を超えて:マルチエキロンインベントリコストによる予測モデルの評価
• Authors: Swata Marik, Swayamjit Saha, Garga Chatterjee,
• Abstract要約: 本研究では,従来の予測モデル,機械学習回帰器,深部シーケンスモデルを統合したディジタル予測・創発最適化パイプラインを開発する。 M5 Walmartのデータセットを用いて、7つの予測手法を評価し、その運用への影響を1つのニュースシステムと2つのニュースシステムで評価する。 その結果,時間CNNおよびLSTMモデルは,統計ベースラインと比較して在庫コストを著しく削減し,充填率を向上することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study develops a digitalized forecasting-inventory optimization pipeline integrating traditional forecasting models, machine learning regressors, and deep sequence models within a unified inventory simulation framework. Using the M5 Walmart dataset, we evaluate seven forecasting approaches and assess their operational impact under single- and two-echelon newsvendor systems. Results indicate that Temporal CNN and LSTM models significantly reduce inventory costs and improve fill rates compared to statistical baselines. Sensitivity and multi-echelon analyses demonstrate robustness and scalability, offering a data-driven decision-support tool for modern supply chains.
• Abstract（参考訳）: 本研究では、従来の予測モデル、機械学習回帰器、ディープシーケンスモデルを統合在庫シミュレーションフレームワーク内で統合したデジタル化された予測-発明最適化パイプラインを開発する。 M5 Walmartのデータセットを用いて、7つの予測手法を評価し、その運用への影響を単車種と二車種のニューズベンダーシステムで評価する。 その結果,時間CNNおよびLSTMモデルは,統計ベースラインと比較して在庫コストを著しく削減し,充填率を向上することがわかった。 感度とマルチエケロン分析は堅牢性とスケーラビリティを示し、現代のサプライチェーンにデータ駆動型意思決定支援ツールを提供する。

関連論文リスト

• A Granular Framework for Construction Material Price Forecasting: Econometric and Machine-Learning Approaches [2.7594090818615933]
  本研究では,構築仕様研究所 (CSI) MasterFormat を対象データ構造として活用する予測フレームワークを開発した。 予測精度を高めるため、このフレームワークは原材料価格、商品指数、マクロ経済指標などの説明変数を統合する。
  論文  参考訳（メタデータ） (2025-12-10T06:44:59Z)
• Automating Data-Driven Modeling and Analysis for Engineering Applications using Large Language Model Agents [3.344730946122235]
  本稿では,Large Language Model (LLM) エージェントを用いてデータ駆動モデリングと分析を自動化する革新的なパイプラインを提案する。 協調エージェントを特徴とするマルチエージェントシステムと、Reasoning and Acting(ReAct)パラダイムに基づく単一エージェントシステムである。
  論文  参考訳（メタデータ） (2025-10-01T19:28:35Z)
• A Quantile Regression Approach for Remaining Useful Life Estimation with State Space Models [4.659033572014701]
  本稿では,状態空間モデル(SSM)を利用したRUL推定手法を提案する。 モデルの不確実性に対処するため、SQR(Simmoultaneous Quantile Regression)がSSMに統合され、複数の量子推定が可能となる。 その結果、SSMモデルの精度と計算効率が向上し、高い産業応用の可能性を示している。
  論文  参考訳（メタデータ） (2025-06-20T14:15:55Z)
• Generative Modeling and Data Augmentation for Power System Production Simulation [0.0]
  本稿では,小さなサンプルシナリオ下での負荷予測のための生成モデル支援手法を提案する。 拡張データセットは、元のデータセットと比較して予測エラーを大幅に削減する。 拡散モデルは、約200倍の誤差を達成し、生成的敵モデルより優れる。
  論文  参考訳（メタデータ） (2024-12-10T12:38:47Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Rating Multi-Modal Time-Series Forecasting Models (MM-TSFM) for Robustness Through a Causal Lens [10.103561529332184]
  ノイズや不正なデータによる不正確さが誤った予測につながるような,マルチモーダルな時系列予測に重点を置いている。 本稿では,マルチモーダル時系列予測モデルのロバスト性を評価するための評価手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T17:39:16Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)

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。