論文の概要: FAME: Forecastability-Aware Mixture of Experts for Heterogeneous Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2606.08896v1
• Date: Mon, 08 Jun 2026 00:47:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.507765
• Title: FAME: Forecastability-Aware Mixture of Experts for Heterogeneous Time Series Forecasting
• Title（参考訳）: FAME:不均一時系列予測の専門家の予測可能性と認識
• Authors: Qianyang Li, Xingjun Zhang, Shaoxun Wang, Tao Peng, Jia Wei,
• Abstract要約: 本研究では,予測可能性に配慮したエキスパート・ルーティングについて検討し,データ特性が予測専門家の適合性をどのように決定するかを学習する。 多次元の予測可能性指紋で各シリーズを表現できるスパース・ミックス・オブ・エキスパート・フレームワークを提案する。 5000以上のマシンと60M以上のトランザクションを持つ産業データセットでは、Top-2は最強のシングルエキスパートよりも12.4%削減される。
• 参考スコア（独自算出の注目度）: 13.22770189732018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale retail and industrial forecasting systems contain many heterogeneous time series whose lifecycle, sparsity, volatility, seasonality, spectral patterns, and contextual sensitivity differ substantially. A single forecasting model rarely performs well across all regimes, while dense ensembles increase inference cost and provide limited insight into expert suitability. This paper studies forecastability-aware expert routing: learning how data characteristics determine the suitability of forecasting experts. We propose \method{}, a sparse mixture-of-experts framework that represents each series with a multidimensional forecastability fingerprint, mines expert-suitability targets from validation performance, and trains a cost-aware sparse router to activate a small budgeted set of experts for each series. Using a production-scale vending-machine sales dataset from Shandong New Beiyang (SNBC), where the forecasting component has been integrated into the replenishment-planning pipeline, together with public retail benchmarks, we show that expert suitability varies systematically across data regimes. On the industrial dataset with 5,000+ machines and 60M+ transactions, \method{} Top-2 reduces MSE by 12.4\% over the strongest single expert, LightGBM, while executing 1.92 experts per series on average. The deployed component produces demand forecasts, while inventory-oriented gains are estimated by an offline replay simulator under a fixed replenishment policy rather than by online intervention. The framework turns heterogeneous sales forecasting from heuristic model selection into data mining of forecastability patterns and expert specialization. Code is available at https://github.com/hit636/FAME
• Abstract（参考訳）: 大規模小売および産業予測システムには、ライフサイクル、スパーシティ、ボラティリティ、季節性、スペクトルパターン、文脈感受性が著しく異なる多くの異種時系列が含まれている。 単一の予測モデルはすべてのレジームでうまく機能することはめったにないが、密集したアンサンブルは推論コストを増大させ、専門家の適合性に関する限られた洞察を与える。 本稿では,予測可能性に配慮したエキスパート・ルーティングについて考察する。 多次元の予測可能性指紋で各シリーズを表現し、検証性能から専門家適合目標を抽出し、低コストのスパースルータを訓練し、各シリーズの小さな予算化された専門家セットを活性化させる、スパース混合仕様のフレームワークである 'method{} を提案する。 SNBC(Shandong New Beiyang)の大規模自動販売機販売データセットを用いて、予測コンポーネントを補充計画パイプラインに統合し、パブリック小売ベンチマークと組み合わせることで、専門家の適合性はデータ体制によって体系的に変化することを示した。 5000以上のマシンと60M以上のトランザクションを持つ産業データセット上で、 \method{} Top-2は、最強のシングルエキスパートであるLightGBMに対して、MSEを12.4\%削減し、平均して1シリーズ当たり1.92のエキスパートを実行する。 展開されたコンポーネントは需要予測を生成し、在庫指向のゲインはオンライン介入ではなく、固定補充ポリシの下でオフライン再生シミュレータによって推定される。 このフレームワークは、ヒューリスティックなモデル選択からヘテロジニアスな販売予測を、予測可能性パターンのデータマイニングや専門家の専門化に変える。 コードはhttps://github.com/hit636/FAMEで入手できる。

関連論文リスト

• ARIMA_PLUS: Large-scale, Accurate, Automatic and Interpretable In-Database Time Series Forecasting and Anomaly Detection in Google BigQuery [5.170341372465115]
  時系列予測と異常検出は、小売、製造、広告、エネルギーといった産業の実践者にとって一般的な課題である。 ARIMA_PLUSは、(a)正確かつ解釈可能な時系列モデルと(b)スケーラブルで完全に管理されたシステムインフラストラクチャのユニークな組み合わせによって、これらの2つの課題を克服する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-28T14:18:50Z)
• 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)
• When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
  このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。 その結果,マルチモーダリティの利点は条件に依存していることが判明した。 我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
  論文  参考訳（メタデータ） (2025-06-20T23:55:56Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Mixture of Efficient Diffusion Experts Through Automatic Interval and Sub-Network Selection [63.96018203905272]
  本稿では, 事前学習した拡散モデルを用いて, 効率の良い専門家の混入を図り, サンプリングコストを削減することを提案する。 提案手法であるDiffPruningの有効性を,複数のデータセットで示す。
  論文  参考訳（メタデータ） (2024-09-23T21:27:26Z)
• 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)
• Optimizing Sales Forecasts through Automated Integration of Market Indicators [0.0]
  本研究では、顧客需要予測を改善するために市場指標を自動的に選択・統合するデータ駆動技術の可能性を検討する。 探索的手法を採用することで、国内GDP成長などのマクロ経済時系列をtextitNeural Prophet や textitSARIMAX 予測モデルに統合する。 外部情報を組み込むことで予測が大幅に向上できることが示せる。
  論文  参考訳（メタデータ） (2024-05-15T08:11:41Z)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• AMEND: A Mixture of Experts Framework for Long-tailed Trajectory Prediction [6.724750970258851]
  軌道予測のためのモジュラーモデル非依存フレームワークを提案する。 各専門家は、データの特定の部分に関して、特別なスキルで訓練される。 予測のために,相対的信頼スコアを生成することで,最高の専門家を選択するルータネットワークを利用する。
  論文  参考訳（メタデータ） (2024-02-13T02:43:41Z)
• Expert Aggregation for Financial Forecasting [0.0]
  専門家のオンラインアグリゲーションは、一つのアプローチで有限モデルの予測を組み合わせる。 オンライン専門家の混在は、非定常性によって特徴づけられる環境においても魅力的なポートフォリオパフォーマンスをもたらす。 専門家や専門家の専門化への拡張も提案されており、ポートフォリオ評価指標のファミリー全体の混合を改善する。
  論文  参考訳（メタデータ） (2021-11-25T10:43:58Z)

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。