Forecast reconciliation for vaccine supply chain optimization

要約

タイトル：ワクチン供給チェーン最適化のための予測調整

要約：

– ワクチンの種類や場所によってグループ化することで、階層的な時系列予測を用いたワクチン供給チェーン最適化が可能。
– 高次元の予測が低次元の予測の合計と一致しない場合、調整方法によって対処可能。
– 本論文では、GSKの販売データを階層的な時系列としてモデリングし、数種類のARIMAモデルで未来の販売量を予測した。
– 統計的テストを用いて、様々な調整方法の性能を比較した。また、COVID前後の予測性能も比較した。
– 結果として、最小トレース法と構造的スケーリングを用いた重み最小二乗法が、最も良好な性能を示し、元々のARIMAに比べて予測エラーを減少させつつ、一貫性のある予測を提供した。

要約(オリジナル)

Vaccine supply chain optimization can benefit from hierarchical time series forecasting, when grouping the vaccines by type or location. However, forecasts of different hierarchy levels become incoherent when higher levels do not match the sum of the lower levels forecasts, which can be addressed by reconciliation methods. In this paper, we tackle the vaccine sale forecasting problem by modeling sales data from GSK between 2010 and 2021 as a hierarchical time series. After forecasting future values with several ARIMA models, we systematically compare the performance of various reconciliation methods, using statistical tests. We also compare the performance of the forecast before and after COVID. The results highlight Minimum Trace and Weighted Least Squares with Structural scaling as the best performing methods, which provided a coherent forecast while reducing the forecast error of the baseline ARIMA.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI