論文の概要: Are Gradient Boosting Models Suitable for Intermittent Demand Forecasting?

• arxiv url: http://arxiv.org/abs/2609.14718v1
• Date: Sun, 13 Sep 2026 18:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.903636
• Title: Are Gradient Boosting Models Suitable for Intermittent Demand Forecasting?
• Title（参考訳）: 断続的需要予測に適した緩やかなブースティングモデル
• Abstract要約: 本稿では,予測性能を向上させるため,勾配向上モデルの可能性について検討する。 統計的、特殊、機械学習、アンサンブルのアプローチを複数のデータセットで評価する。
• 参考スコア（独自算出の注目度）: 0.6531546527140474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Demand forecasting is critical in modern industry, offering opportunities to reduce costs and gain competitive advantage through improved inventory management. However, forecasting becomes particularly challenging for products with intermittent demand, where demand occurs infrequently and time series contain many zero observations. Such dynamics are common across diverse sectors, such as industrial organizations, consumer goods, aviation, automotive, and electronics. Motivated by these challenges, this paper explores the potential of gradient boosting models to improve forecasting performance. We evaluate statistical, specialized, machine learning, and ensemble approaches across multiple datasets. The results show that specialized methods achieve the strongest performance among individual models, while gradient boosting on its own tends to underperform. However, combining a machine learning model with a specialized approach improves forecasting accuracy by up to 10%, demonstrating that even simple ensembles can outperform single models. Overall, the findings highlight the value of combining machine learning with domain-specific forecasting techniques for intermittent demand.
• Abstract（参考訳）: 現代の産業では需要予測が重要であり、在庫管理の改善を通じてコスト削減と競争上の優位性を得る機会を提供する。 しかし、需要が頻繁に発生し、時系列が多くのゼロ観測を含む間欠的な需要のある製品では、予測が特に困難になる。 このようなダイナミクスは、産業組織、消費者製品、航空、自動車、エレクトロニクスなど様々な分野に共通している。 これらの課題に触発された本研究では,予測性能を向上させるため,勾配向上モデルの可能性について検討する。 統計的、特殊、機械学習、アンサンブルのアプローチを複数のデータセットで評価する。 以上の結果から, 個々のモデルにおいて, 個別の手法が最強の性能を達成する一方で, 自己の勾配上昇は性能が低下する傾向が示唆された。 しかし、機械学習モデルと特殊なアプローチを組み合わせることで、予測精度を最大10%向上させ、単純なアンサンブルでさえ単一モデルより優れていることを示した。 全体としては、断続的な需要に対する機械学習とドメイン固有の予測技術を組み合わせることの価値を強調している。

関連論文リスト

• ChurnNet: A Optimized Modern AI for Churn Prediction [5.360634819290606]
  本研究では,従来の機械学習技術であるランダムフォレスト,XGBoost,サポートベクトルマシンの性能を評価し,それらを統合マルチタスク時系列モデルと比較した。 複雑な時間的ダイナミクスと相互変数の関係をモデル化する上で,後者の強い能力にもかかわらず,従来の手法では,予測性能,データ効率,計算資源の要件などの観点からも,従来よりも優れた性能が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-05-29T12:53:04Z)
• 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)
• Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting [0.0]
  予測が販売水準を過小評価すると、企業は販売、不足、そして関連する市場での小売業者の評判に影響を及ぼす。 本研究は,高解像度のレンガとモルタルの小売データセットに適用した予測モデルを徹底的に評価する。
  論文  参考訳（メタデータ） (2025-06-06T10:08:17Z)
• LeForecast: Enterprise Hybrid Forecast by Time Series Intelligence [10.203492575046015]
  LeForecastは、時系列タスクに適したエンタープライズインテリジェンスプラットフォームである。 時系列データとマルチソース情報の高度な解釈、および3ピラーモデリングエンジンを統合する。 本研究は3つの産業ユースケースにおけるLeForecastの展開とその性能についてレビューする。
  論文  参考訳（メタデータ） (2025-03-27T02:58:06Z)
• 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)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Self-Supervised Learning for Time Series: A Review & Critique of FITS [0.0]
  最近提案されたモデルFITSは、パラメータ数を大幅に削減した競合性能を主張する。 複雑な周波数領域で1層ニューラルネットワークをトレーニングすることで、これらの結果を再現することができる。 実験の結果,FITSは特に周期パターンや季節パターンの捕集に優れるが,トレンド,非周期的,ランダムな組立行動に苦慮していることがわかった。
  論文  参考訳（メタデータ） (2024-10-23T23:03:09Z)
• ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting [74.00765474305288]
  本稿では,時系列データ拡張のための強化学習(RL)の試験的検討を行う。 我々の手法であるReAugmentは、トレーニングセットのどの部分が拡張されるべきか、どのように拡張を行うべきか、RLがプロセスにどのような利点をもたらすのか、という3つの重要な問題に取り組む。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• 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)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
  事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。 このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-26T17:59:46Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• Profit-oriented sales forecasting: a comparison of forecasting techniques from a business perspective [3.613072342189595]
  本稿では,コカ・コーラ社の産業界データと公開データセットの両方から成る35回連続のテクニックを比較検討する。 モデル構築と評価プロセスの両方において、テクニックが生成できる期待される利益を考慮に入れた、新しく完全に自動化された利益主導のアプローチを導入します。
  論文  参考訳（メタデータ） (2020-02-03T14:50:24Z)

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。