論文の概要: Censoring-Aware In-Context Learning for Generalized Supplier Lead Time Estimation in Supply Chain Planning

• arxiv url: http://arxiv.org/abs/2607.18530v1
• Date: Mon, 20 Jul 2026 21:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.249225
• Title: Censoring-Aware In-Context Learning for Generalized Supplier Lead Time Estimation in Supply Chain Planning
• Title（参考訳）: サプライチェーン計画における一般化サプライヤリード時間推定のためのセンサレスインコンテキスト学習
• Abstract要約: 本稿では,確率的リードタイム予測のための検閲対応インコンテキスト学習モデルであるPedTime-ICLを提案する。 LT-ICLは変圧器のバックボーンと条件付き正規化フローヘッドを結合し、リード時間を通して完全な予測分布を生成する。 7つの産業にまたがる24のプロプライエタリなサプライチェーンデータセット上でLT-ICLを評価した。
• 参考スコア（独自算出の注目度）: 31.58956095041944
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Supplier lead time forecasting is a central input to material requirements planning, inventory optimization, and supply chain risk management. However, many industrial lead time datasets are naturally right-censored: at the time forecasts are required, some orders have not yet arrived. Standard regression and classification approaches discard this information, while conventional survival models require task-specific modeling. We propose LeadTime-ICL (LT-ICL), a censoring-aware in-context learning model for probabilistic lead time forecasting. LT-ICL combines a transformer backbone with a conditional normalizing-flow head, producing a full predictive distribution over lead times. The model is pretrained on synthetic right-censored lead time tasks, enabling in-context adaptation to new industrial datasets without task-specific parameter updates. We provide theoretical support for this formulation by showing that excess CRPS is bounded by prior misspecification and amortized approximation errors, providing clear direction for improving forecasting performance. We evaluate LT-ICL on 24 proprietary supply-chain datasets spanning seven industries. LT-ICL achieves the lowest point-forecasting error on 15 of the 24 datasets, and the lowest probabilistic forecasting error on 14 datasets, yielding the best average rank across both. These results support right-censored probabilistic forecasting as a practical formulation for supplier lead time prediction and demonstrate that pretrained in-context models can provide accurate, low-adaptation-cost forecasting for industrial planning systems.
• Abstract（参考訳）: サプライヤリードタイム予測は、材料要求計画、在庫最適化、サプライチェーンリスク管理の中心的なインプットである。 しかし、多くの産業用リードタイムデータセットは自然に正しい検閲を受けており、予測が必要な時点では、いくつかの注文はまだ届いていない。 標準回帰法と分類法はこれらの情報を破棄するが、従来の生存モデルはタスク固有のモデリングを必要とする。 我々は、確率的リードタイム予測のための検閲対応インコンテキスト学習モデルであるPedTime-ICL(LT-ICL)を提案する。 LT-ICLは変圧器のバックボーンと条件付き正規化フローヘッドを結合し、リード時間を通して完全な予測分布を生成する。 このモデルは、タスク固有のパラメータを更新することなく、新しい産業データセットへのコンテキスト適応を可能にする、合成右検閲のリードタイムタスクに事前訓練されている。 我々は,この定式化の理論的支援として,過剰なCRPSが事前の誤特定と補正された近似誤差によって束縛されていることを示し,予測性能を向上させるための明確な方向を提供する。 7つの産業にまたがる24のプロプライエタリなサプライチェーンデータセット上でLT-ICLを評価した。 LT-ICLは、24データセットのうち15データセットで最低点予測誤差を達成し、14データセットで最低確率予測誤差を達成し、両者で最高の平均ランクを得る。 これらの結果は、サプライヤのリードタイム予測のための実用的な定式化として、右官能確率予測をサポートし、事前学習したインコンテキストモデルが、産業計画システムに正確で低コストな予測を提供することを示す。

関連論文リスト

• A Predict-then-Correct Loop Based on Few-Shot Continuous Contextual Bandit for Demand Forecasting [0.0]
  本研究では,第1ステージの機械学習(ML)予測を維持し,数ショット連続帯域補正ポリシーを適用した予測列補正(PtC)フレームワークを提案する。 Walmartの小売データ全体を通じて、PtCは、MAPE、MAE、RMSEの統計学的に重要な削減を、安定した、高いボリューム、安定した、低いボリューム、不安定で断続的な需要パターンにわたって提供する。 これらの結果から、オンライン予測補正は、ベース予測モデルを完全に再訓練することなく、緩やかなフィードバックに適応することで、オフライン需要学習とリアルタイム小売意思決定を橋渡しできることが示された。
  論文  参考訳（メタデータ） (2026-07-17T08:21:15Z)
• Forecasting Supply Chain Disruptions with Foresight Learning [0.0]
  実効的な破壊結果を監督として利用して,LCMを校正した確率予測を生成するためのエンドツーエンドフレームワークを導入する。 結果として得られるモデルは、精度、校正、精度において、強いベースラインを大幅に上回る。 その結果,決定可能な信号を生成する領域固有の予測モデルをトレーニングするための一般的な経路が示唆された。
  論文  参考訳（メタデータ） (2026-04-01T18:04:34Z)
• 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)
• 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)
• Intelligent Routing for Sparse Demand Forecasting: A Comparative Evaluation of Selection Strategies [0.6798775532273751]
  サプライチェーンにおける パースと断続的な需要予測は 重大な課題です 本稿では, モデルスパンニングフレームワークを提案し, モデルスパンニングの古典的, ML, DLメソッドを製品毎に選択する。 大規模なFavoritaデータセットの実験では、ディープラーニング(インセプションタイム)ルータが予測精度を最大11.8%向上している。
  論文  参考訳（メタデータ） (2025-06-04T03:09:45Z)
• Conformal Predictive Distributions for Order Fulfillment Time Forecasting [15.378087950770684]
  本稿では,オーダー充足時間の分布予測のための新しいフレームワークを提案する。 提案手法は競合する分布予測を生成できるが,機械学習に基づく点予測は既存のルールベースシステムよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-05-22T23:23:52Z)
• LLMForecaster: Improving Seasonal Event Forecasts with Unstructured Textual Data [63.777637042161544]
  本稿では,非構造化意味情報と文脈情報と履歴データを組み込むために,大規模言語モデルを微調整した新しい予測ポストプロセッサを提案する。 産業規模の小売アプリケーションでは, ホリデードリブン需要の急激な上昇にともなう数種類の製品に対して, 本手法が統計的に有意な改善を予測できることが実証された。
  論文  参考訳（メタデータ） (2024-12-03T16:18:42Z)
• 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)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。