論文の概要: TimeHF 2.0: Multimodal, Multivariate, and Multi-Region Collaborative Forecasting for Large-Scale Retail Supply Chains
- arxiv url: http://arxiv.org/abs/2611.10521v1
- Date: Sat, 07 Nov 2026 06:40:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 09:45:37.726292
- Title: TimeHF 2.0: Multimodal, Multivariate, and Multi-Region Collaborative Forecasting for Large-Scale Retail Supply Chains
- Title(参考訳): TimeHF 2.0:大規模小売チェーンのためのマルチモーダル・マルチ変量・マルチリージョン協調予測
- Abstract要約: TimeHF 2.0は、数値予測に使える柔軟に表現されたビジネス知識を提供する協調予測フレームワークである。
セマンティックアライメントモジュールは、自然言語プランとドメインエクスペリエンスの言語モデル隠れ表現を、ターゲット固有の予測コンテキストに転送する。
営業観察に対する学習は、これらの意味を数値的エビデンスに結び付け、ビジネスユーザが各説明に新しい数値的特徴を定義することなく、経験、将来の計画、状況の変化を提供する。
- 参考スコア(独自算出の注目度): 34.63319559865916
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale retail supply chains need sales forecasts for specified products, future dates or planning windows, and regions under the conditions available at the forecast origin. Regional sparsity, changing environments, volatile sales, and unfamiliar business situations make these dimensions difficult to model together. We introduce TimeHF 2.0, a multimodal, multivariate, and multi-region collaborative forecasting framework that makes flexibly expressed business knowledge usable in numerical prediction. A coverage-aware directed encoder integrates regional sales and applicable covariates. A semantic alignment module transfers language-model hidden representations of natural-language plans and domain experience into target-specific forecasting context. Learning against sales observations connects these meanings to numerical evidence, allowing business users to supply experience, future plans, and changing circumstances without defining a new numerical feature for each description. Text-conditioned future queries and shared/routed experts adapt prediction to the supplied context. An ordered-distribution head allocates fine resolution to routine fluctuations and coarse resolution to extreme sales movements, while daily/window learning connects forecasts to cumulative planning quantities. Online parallel forecasting at JD yields relative accuracy improvements of 18.25% and 17.94% for national daily and planning-window sales, and 19.44% and 18.99% for DC daily and planning-window sales, over the original production deep learning baseline. Component comparisons, loss-design results, and product-type analyses examine the roles of regional information, covariates, business knowledge, context-dependent processing, and robust planning-oriented learning.
- Abstract(参考訳): 大規模小売サプライチェーンは、特定の製品、将来の日付または計画窓、および予測元で利用可能な条件の下での地域についての販売予測を必要としている。
地域性、環境の変化、不安定な販売、不慣れなビジネス状況は、これらの次元を一緒にモデル化することを困難にしている。
我々は,マルチモーダル,多変量,多領域共同予測フレームワークであるTimeHF 2.0を導入し,数値予測に使用可能なビジネス知識を柔軟に表現する。
カバレッジ対応指向エンコーダは、地域販売と適用可能な共変量を統合する。
セマンティックアライメントモジュールは、自然言語プランとドメインエクスペリエンスの言語モデル隠れ表現を、ターゲット固有の予測コンテキストに転送する。
営業観察に対する学習は、これらの意味を数値的エビデンスに結び付け、ビジネスユーザが各説明に新しい数値的特徴を定義することなく、経験、将来の計画、状況の変化を提供する。
テキスト条件付き将来のクエリと共有/ルートの専門家は、供給されたコンテキストに予測を適用する。
注文配信ヘッドは、予測と累積計画量とを連結する一方、定期的な変動に微妙な解像度を割り当て、極端な販売運動に粗い解像度を割り当てる。
JDのオンライン並列予測は、全国の日次および計画ウィンドウの売上に対して18.25%と17.94%の相対的な精度向上と、直流の日次および計画ウィンドウの売上に対して19.44%と18.99%の精度向上をもたらす。
コンポーネント比較,損失設計結果,製品型分析は,地域情報,共変量,ビジネス知識,コンテキスト依存処理,ロバストな計画指向学習の役割について検討する。
関連論文リスト
- Evidence-based Distributional Alignment for Large Language Models [58.65469623911573]
LLM分布推定の忠実度とロバスト性を改善する証拠に基づくアライメント手法であるEvi-DAを提案する。
対象国が与えられた場合、Evi-DAは関連するWorld Values Survey項目とその回答分布を検索し、オプション毎に粗いヴェルツェル値シグネチャを予測し、国条件の回答分布を構造化形式で推測する。
論文 参考訳(メタデータ) (2026-03-03T03:34:06Z) - Integrating AI and Ensemble Forecasting: Explainable Materials Planning with Scorecards and Trend Insights for a Large-Scale Manufacturer [0.45687771576879593]
本稿では,アフターセール需要予測とモニタリングのための実用的アーキテクチャを提案する。
統計モデル、機械学習モデル、ディープラーニングモデルの、収益とクラスタ対応のアンサンブルを統合する。
システムは90か国以上、約6,000の部品の予測、監視、在庫決定のループを閉じる。
論文 参考訳(メタデータ) (2025-10-01T15:14:10Z) - 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) - Building Machine Learning Limited Area Models: Kilometer-Scale Weather Forecasting in Realistic Settings [8.597348667137577]
フレキシブルバウンダリ強制法による境界条件付きキロメートルスケール機械学習限定領域モデルを構築するためのフレームワークを提案する。
境界幅,グラフ構築,バウンダリ強制統合など,設計選択の体系的評価を行う。
本研究は,地域気象予報の将来において,機械学習の限られた領域モデルの可能性を示すものである。
論文 参考訳(メタデータ) (2025-04-12T20:58:02Z) - 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) - Improved Sales Forecasting using Trend and Seasonality Decomposition
with LightGBM [9.788039182463768]
時系列上での傾向と季節成分のユニークな影響を示すための新しい尺度を提案する。
実験の結果,提案手法は精度を向上できることがわかった。
論文 参考訳(メタデータ) (2023-05-26T18:49:42Z) - Improving Sales Forecasting Accuracy: A Tensor Factorization Approach
with Demand Awareness [1.8282018606246824]
販売予測への高度時間潜在因子アプローチ(ATLAS)という新しいアプローチを提案する。
ATLASは、複数のストアや製品にまたがる単一のテンソルファクターモデルを構築することで、販売の正確かつ個別化された予測を実現する。
ATLASの利点は、Information Resource, Inc.が収集した8つの製品カテゴリデータセットで実証されている。
論文 参考訳(メタデータ) (2020-11-06T16:04:40Z)
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。