論文の概要: Accuracy-Preserving Stability Regularization for Large-Scale Retail Demand Forecasting

• arxiv url: http://arxiv.org/abs/2607.13331v1
• Date: Tue, 14 Jul 2026 23:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.604762
• Title: Accuracy-Preserving Stability Regularization for Large-Scale Retail Demand Forecasting
• Title（参考訳）: 大規模小売需要予測のための精度保存安定正規化
• Abstract要約: 本研究では,連続したシリーズ内移動におけるトレーニングタイムのペナルティが,ポイント精度を大きく変えることなく水平方向予測パスの安定性を向上させることができるかどうかを問う。 このペナルティは、最近の需要の埋め込みとカレンダー、価格、階層、アイテム、ストア機能を組み合わせた時間構造パイプラインで評価される。 ポストホック指数平滑化は、より低い原運動を実現するが、RMSEコストが増大し、トレーニング時間正規化はよりポイント精度を維持し、正規化安定性下で好適に機能する。
• 参考スコア（独自算出の注目度）: 6.830447377605494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retail demand forecasts are reused across replenishment, capacity, labor, and transportation planning cycles. Point-error objectives do not constrain abrupt movement between adjacent forecasts, while post-hoc smoothing acts only after model fitting. We ask whether a training-time penalty on consecutive within-series movement can improve horizontal forecast-path stability without materially changing point accuracy. The penalty is evaluated in a temporal-structured pipeline combining recent-demand embeddings with calendar, price, hierarchy, item, and store features. On selected M5 demand series at 1000, 3000, and 4000-series scales, the stability-aware hybrid model improves Forecast Stability Score over XGBoost by 6.91%, 6.66%, and 7.68%, respectively, while RMSE changes remain within 0.72% across three random seeds. Post-hoc exponential smoothing attains lower raw movement but incurs a larger RMSE cost; training-time regularization preserves more point accuracy and performs favorably under normalized stability. These findings extend forecast evaluation from point-error minimization toward an accuracy-stability trade-off perspective for operational retail forecasting.
• Abstract（参考訳）: 小売需要予測は補充、能力、労働力、交通計画のサイクルで再利用される。 ポイントエラーの目的は、隣接する予測間の急激な動きを制限しないが、ポストホックな平滑化はモデルフィッティング後にのみ作用する。 連続したシリーズ内移動におけるトレーニングタイムのペナルティが、ポイント精度を大きく変えることなく水平予測パスの安定性を向上させることができるかどうかを問う。 このペナルティは、最近の需要の埋め込みとカレンダー、価格、階層、アイテム、ストア機能を組み合わせた時間構造パイプラインで評価される。 1000、3000、4000シリーズで選択されたM5需要モデルでは、安定性に配慮したハイブリッドモデルは、XGBoost上の予測安定性スコアをそれぞれ6.91%、6.66%、7.68%改善し、RMSEの変化は3つのランダムシードに対して0.72%以内にとどまった。 ポストホック指数平滑化は、より低い原運動を実現するが、RMSEコストが増大し、トレーニング時間正規化はよりポイント精度を維持し、正規化安定性下で好適に機能する。 これらの結果は,運用小売予測の精度安定トレードオフの観点からのポイントエラー最小化による予測評価を拡張した。

関連論文リスト

• Stabilizing distribution-free probabilistic forecasts [5.716454975957337]
  我々は、予測品質とともに予測安定性を、分布のない確率的時系列予測モデルのトレーニングに統合する。 本稿では,ニューラルネットワークによってパラメータ化された回帰スプラインを用いて,安定化された条件付き量子関数を生成する手法を提案する。 統計的特性が異なる2つのデータセットに対して提案手法を実験的に評価し,予測品質を著しく損なうことなく,予測不安定性を効果的に低減できることを示す。
  論文  参考訳（メタデータ） (2026-05-27T14:25:05Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Unifying Group-Relative and Self-Distillation Policy Optimization via Sample Routing [79.88256756334327]
  自己蒸留政策最適化(SDPO)は、より密集したロジットレベルの監視を提供することによってこの問題に対処する。 サンプル制御ポリシー最適化(SRPO)を提案する。 SRPOは、試料をGRPOの報酬整合強化に向け、サンプルをSDPOの目標ロジットレベルの補正に向ける。
  論文  参考訳（メタデータ） (2026-04-02T17:29:18Z)
• Deep Time-series Forecasting Needs Kernelized Moment Balancing [56.619037429652984]
  深層時系列予測は、予測と地上の真実の分布を整合させることを目的とした分布バランス問題として定式化することができる。 我々は、カーネル化されたモーメントバランス(KMB-DF)による直接予測を提案する。 複数のモデルとデータセットにわたる実験により、KMB-DFは予測精度を一貫して改善し、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-31T13:20:18Z)
• Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting [0.0]
  本稿では,確率的マルチホライゾン予測の質を評価するための予測精度とコヒーレンススコア(略してACスコア)を紹介する。 その結果,従来の最大推定値よりも大幅に改善した。
  論文  参考訳（メタデータ） (2026-01-15T21:26:57Z)
• Swift: An Autoregressive Consistency Model for Efficient Weather Forecasting [0.8503925197267593]
  我々は,確率フローモデルの自己回帰微調整を可能にする単一ステップ一貫性モデルであるSwiftを紹介する。 結果から、Swiftは75日間にわたって安定し、最先端の拡散ベースラインよりも39時間以上高速に動作する、熟練した6時間の予測を生成する。
  論文  参考訳（メタデータ） (2025-09-30T00:54:24Z)
• Measuring Time Series Forecast Stability for Demand Planning [0.0]
  時系列予測はサプライチェーンの需要計画を作成するための重要な第一歩だ。 プロダクションシステムでは、要求プランナーは漸進的な精度の改善よりも一貫性と安定性を重んじることが多い。 アンサンブルモデルでは,予測精度を著しく劣化させる(あるいは改善する)ことなく,安定性が向上することを示す。
  論文  参考訳（メタデータ） (2025-08-13T04:21:37Z)
• Using dynamic loss weighting to boost improvements in forecast stability [0.9332308328407303]
  ローリング起点予測不安定性(ローリング起点予測不安定性)とは、予測の更新によって生じる特定の期間の予測における変動をいう。 その結果, 複合損失関数を最小化することにより, 精度を損なうことなく, より安定した予測が得られることがわかった。 既存の動的損失重み付け手法は、この目的を達成することができ、なぜそうなるのかについての洞察を提供する。
  論文  参考訳（メタデータ） (2024-09-26T20:21:46Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。