論文の概要: ReasonCast: Agentic Demand Forecasting with Selective Semantic Reasoning

• arxiv url: http://arxiv.org/abs/2608.15291v1
• Date: Sat, 15 Aug 2026 15:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.251184
• Title: ReasonCast: Agentic Demand Forecasting with Selective Semantic Reasoning
• Title（参考訳）: ReasonCast:Selective Semantic Reasoningによるエージェント需要予測
• Abstract要約: イベント知識を予測固有の操作に変換するフレームワークであるReasonCastを紹介する。 ReasonCastはイベント関連性、需要方向、時間的形状、振幅、ピーク強度を記述した構造化フィールドを通じてイベント知識を表現する。 SFTはセマンティックフィールドを確立し、セマンティックフィールドRLは方向、形状、振幅、ピーク判定を行い、予測ユーティリティRLは凍結予測器を介してセマンティックな介入を評価する。
• 参考スコア（独自算出の注目度）: 10.275769172084058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Demand forecasting increasingly requires combining two complementary sources of information: historical sales reveal recurring numerical dynamics, while future promotions, holidays, price changes, and platform interventions provide forward-looking knowledge. Existing text-enhanced forecasting methods often encode such context into generic representations and fuse it uniformly with time-series features, without explicitly distinguishing which semantic effects are forecast-relevant or how they should modify future dynamics. We introduce ReasonCast, a structured semantic intervention framework that translates event knowledge into forecast-specific operations. An agent examines the event context, the no-text forecast, and its uncertainty to determine whether textual reasoning is needed. Rather than injecting free-form text, ReasonCast represents event knowledge through structured fields describing event relevance, demand direction, temporal shape, amplitude, and peak intensity. These fields interact selectively with temporal components of a time-series foundation model. An additive path corrects local trends and temporal shapes, while a multiplicative path captures event-driven level shifts. ReasonCast introduces a forecast-grounded post-training curriculum. Schema SFT establishes semantic fields; semantic-field RL calibrates direction, shape, amplitude, and peak judgments; and forecast-utility RL evaluates semantic interventions through a frozen forecaster, aligning reasoning outputs with marginal forecast improvement. ReasonCast lowers WMAPE by 3.29, 1.25, and 0.47 percentage points on holiday-sensitive categories, mega-sale-sensitive categories, and M5 event windows, respectively. On stable-sales periods, indiscriminate semantic intervention increases WMAPE by 1.68 percentage points, whereas suppressing unnecessary intervention preserves the numerical backbone.
• Abstract（参考訳）: 需要予測は2つの補完的な情報源を組み合わせる必要がある: 歴史的売上は繰り返し発生する数値力学を明らかにし、将来のプロモーション、ホリデーシーズン、価格変更、プラットフォーム介入は前向きな知識を提供する。 既存のテキスト強調予測手法は、これらのコンテキストを一般的な表現にエンコードし、どのセマンティックエフェクトが予測関連であるか、将来のダイナミクスをどのように修正すべきかを明確に区別することなく、時系列機能と一様に融合することが多い。 本稿では、イベント知識を予測固有の操作に変換する構造化セマンティック介入フレームワークであるReasonCastを紹介する。 エージェントは、イベントコンテキスト、ノンテキスト予測、およびテキスト推論が必要かどうかを判断する不確実性を調べる。 自由形式のテキストを注入するのではなく、ReasonCastはイベント関連性、需要方向、時間的形状、振幅、ピーク強度を記述する構造化フィールドを通じてイベント知識を表現する。 これらのフィールドは時系列基礎モデルの時間成分と選択的に相互作用する。 加算パスは局所的な傾向と時間的形状を補正し、乗法パスはイベント駆動のレベルシフトをキャプチャする。 ReasonCastは予報付きポストトレーニングカリキュラムを導入している。 Schema SFTはセマンティックフィールドを確立し、セマンティックフィールドRLは方向、形状、振幅、ピーク判断を校正し、予測ユーティリティRLは凍結予測器を通じてセマンティック介入を評価し、推論出力を限界予測の改善と整合させる。 ReasonCastは、ホリデーセンシティブカテゴリー、メガセールカテゴリー、M5イベントウィンドウにおいて、WMAPEを3.29、.25、0.47ポイント下げている。 安定した販売期間において、不差別な意味的介入はWMAPEを1.68ポイント増加させ、一方不必要な介入を抑制することは、数値的なバックボーンを保存する。

関連論文リスト

• Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting [81.44658512649633]
  KUP-BIは、エンファントレインのみの歴史図書館から継続スタイルの知識を抽出する新しい時系列モデリングパラダイムである。 最新モデルの予測性能を継続的に改善し、オーバーヘッドを小さくする。
  論文  参考訳（メタデータ） (2026-05-19T01:43:00Z)
• Nexus : An Agentic Framework for Time Series Forecasting [72.73790673303154]
  時系列予測は、ニュースやイベントのような構造化されていないコンテキストデータによる推論を必要とする。 予測を特殊なステージに分解するマルチエージェント予測フレームワークであるNexusを紹介します。 本研究では,現在のLLMは,従来よりも強い固有予測能力を有することを示す。
  論文  参考訳（メタデータ） (2026-05-14T05:12:13Z)
• Stochastic Event Prediction via Temporal Motif Transitions [0.0]
  時間的リンク予測手法は、通常、タスクを負のサンプリングを伴うバイナリ分類として表す。 本稿では、時系列リンク予測を連続時間における逐次予測問題として再構成するフレームワークSTEP(Stochastic Event Predictor)を紹介する。
  論文  参考訳（メタデータ） (2026-03-06T03:51:40Z)
• Agentic Workflow Using RBA$_θ$ for Event Prediction [0.0]
  風力ランプのイベントは、強い変動性、マルチスケールのダイナミクス、およびサイト固有の気象効果のために予測が難しい。 本稿では、ランプイベントを直接予測し、その後に電力軌道を再構築するイベントファースト・周波数対応予測パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-05T13:03:15Z)
• TemporalBench: A Benchmark for Evaluating LLM-Based Agents on Contextual and Event-Informed Time Series Tasks [12.114998959919978]
  強い予測性能が真の時間的理解を反映しているか、文脈的・事象駆動的条件下での推論能力を反映しているかは明らかでない。 よりリッチな情報環境下での時間的推論行動を評価するために設計されたマルチドメインベンチマークである TemporalBench を紹介する。 将来のターゲットやコンテキスト情報へのアクセスを制御することで、モデルが時間的パターンを正しく解釈できるかどうかの診断分析が可能になる。
  論文  参考訳（メタデータ） (2026-02-05T01:02:19Z)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• EventTSF: Event-Aware Non-Stationary Time Series Forecasting [73.54313384419792]
  EventTSFは、過去の時系列とテキストイベントを統合し、その後の予測を行う自動回帰生成フレームワークである。 8つの合成および実世界のデータセットの実験によると、EventTSFは、さまざまなイベント対応の非定常時系列予測シナリオで12のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-19T01:28:47Z)
• AMCEN: An Attention Masking-based Contrastive Event Network for Two-stage Temporal Knowledge Graph Reasoning [29.68279984719722]
  時間的知識グラフ(TKG)は、現実世界の知識の進化する性質を効果的にモデル化することができ、その完全性と拡張は、既存の知識から新しい事象を推論することで達成できる。 しかし、推論精度はデータセットにおける新しいイベントと繰り返されるイベントの間に不均衡があるため、悪影響を及ぼす。 本研究では,今後の事象の2段階予測のために,局所的な時間的パターンを持つ注意マスキングに基づくコントラストイベントネットワーク(AMCEN)を提案する。
  論文  参考訳（メタデータ） (2024-05-16T01:39:50Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)

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。