論文の概要: Bridging Deep Learning and Integer Linear Programming: A Predictive-to-Prescriptive Framework for Supply Chain Analytics

• arxiv url: http://arxiv.org/abs/2604.01775v1
• Date: Thu, 02 Apr 2026 08:41:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.622179
• Title: Bridging Deep Learning and Integer Linear Programming: A Predictive-to-Prescriptive Framework for Supply Chain Analytics
• Title（参考訳）: ディープラーニングと整数線形プログラミングの橋渡し - サプライチェーン分析のための予測から規範的フレームワーク
• Authors: Khai Banh Nghiep, Duc Nguyen Minh, Lan Hoang Thi,
• Abstract要約: 本稿では,予測と運用分析を組み合わせた3段階の分析フレームワークを提案する。 N-BEATSは予測誤差が最も低いモデルとして最も最適化されたモデルに選ばれた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although demand forecasting is a critical component of supply chain planning, actual retail data can exhibit irreconcilable seasonality, irregular spikes, and noise, rendering precise projections nearly unattainable. This paper proposes a three-step analytical framework that combines forecasting and operational analytics. The first stage consists of exploratory data analysis, where delivery-tracked data from 180,519 transactions are partitioned, and long-term trends, seasonality, and delivery-related attributes are examined. Secondly, the forecasting performance of a statistical time series decomposition model N-BEATS MSTL and a recent deep learning architecture N-HiTS were compared. N-BEATS and N-HiTS were both statistically, and hence were N-BEATS's and N-HiTS's statistically selected. Most recent time series deep learning models, N-HiTS, N-BEATS. N-HiTS and N-BEATS N-HiTS and N-HiTS outperformed the statistical benchmark to a large extent. N-BEATS was selected to be the most optimized model, as the one with the lowest forecasting error, in the 3rd and final stage forecasting values of the next 4 weeks of 1918 units, and provided those as a model with a set of deterministically integer linear program outcomes that are aimed to minimize the total delivery time with a set of bound budget, capacity, and service constraints. The solution allocation provided a feasible and cost-optimal shipping plan. Overall, the study provides a compelling example of the practical impact of precise forecasting and simple, highly interpretable model optimization in logistics.
• Abstract（参考訳）: 需要予測はサプライチェーン計画の重要な要素であるが、実際の小売データには季節性、不規則なスパイク、騒音が伴い、正確な予測はほとんど達成不可能である。 本稿では,予測と運用分析を組み合わせた3段階の分析フレームワークを提案する。 第1段階では,180,519件の取引から得られた配送追跡データを分割した探索データ分析を行い,長期的傾向,季節性,配送関連属性について検討した。 次に,統計時系列分解モデルN-BEATS MSTLと最近のディープラーニングアーキテクチャN-HiTSの予測性能を比較した。 N-BEATSとN-HiTSはともに統計的に選択され、N-BEATSとN-HiTSは統計的に選択された。 最近の時系列ディープラーニングモデル、N-HiTS、N-BEATS。 N-HiTSとN-BEATS N-HiTSとN-HiTSは、この統計ベンチマークをかなり上回った。 N-BEATSは、1918年の3週目と最終段階の予測値において、最も低い予測誤差を持つモデルとして、最も最適化されたモデルとして選ばれ、境界予算、キャパシティ、サービス制約のセットでデリバリ時間を最小化することを目的とした、決定論的に整数的な線形プログラム結果セットのモデルとして提供された。 ソリューションの割り当ては、実現可能でコストを最適化する出荷計画を提供した。 全体として、この研究は、正確な予測と、ロジスティクスにおけるシンプルで解釈可能なモデル最適化の実践的影響の魅力的な例を提供する。

関連論文リスト

• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis [25.377586527585503]
  TimeSeriesScientist(TSci)は時系列予測のための一般的なドメインに依存しないフレームワークである。 これはそれぞれ平均10.4%と38.2%の予測誤差を減少させる。 透明な自然言語の合理性と包括的な報告により、TSciは予測をホワイトボックスシステムに変換する。
  論文  参考訳（メタデータ） (2025-10-02T00:18:59Z)
• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• A Realistic Evaluation of Cross-Frequency Transfer Learning and Foundation Forecasting Models [32.56983347493999]
  大規模時系列データセットを事前トレーニング基礎予測モデル(FFM)にキュレートするための一般的なフレームワークとして、クロス周波数転送学習(CFTL)が登場している。 CFTLは将来性を示しているが、現在のベンチマークプラクティスは、そのパフォーマンスを正確に評価するに足らない。 この欠点は、小規模評価データセットへの過度な依存、計算サマリ統計におけるサンプルサイズの不適切な処理、最適以下の統計モデルの報告、事前トレーニングとテストデータセット間の重複の非無視的なリスクの考慮の欠如など、多くの要因に起因している。
  論文  参考訳（メタデータ） (2025-09-23T18:19:50Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• SSTP: Efficient Sample Selection for Trajectory Prediction [38.92588125424176]
  既存の大規模データセット上での高度な軌道予測モデルのトレーニングは、時間と計算コストがかかる。 本稿では,軌道予測に適したコンパクトだが密度バランスのよいデータセットを構築するSSTPフレームワークを提案する。 実験の結果、SSTPはデータの半分しか使用せず、フルデータセットのトレーニングに匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-09-25T22:00:11Z)
• A Worrying Analysis of Probabilistic Time-series Models for Sales Forecasting [10.690379201437015]
  確率的時系列モデルは、不確実性の下で最適な決定を下すのに役立つため、予測分野で人気がある。 販売予測のための3つの顕著な確率的時系列モデルの性能解析を行った。
  論文  参考訳（メタデータ） (2020-11-21T03:31:23Z)

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。