Encoding Seasonal Climate Predictions for Demand Forecasting with Modular Neural Network

要約

現在の時系列予測問題では、短期の気象属性を外生入力として使用します。
ただし、特定の時系列予測ソリューション (サプライ チェーンにおける需要予測など) では、回復力を向上させるために季節気候予測が不可欠です。
季節気候予測は不確実であり、気候予測と需要の時空間関係をエンコードすることは複雑であるため、中長期の季節気候予測を表現することは困難です。
私たちは、サプライチェーン機能に堅牢で信頼性の高い時系列予測を提供するために、季節気候予測を効率的にエンコードする新しいモデリング フレームワークを提案します。
エンコード フレームワークにより、モジュール式ニューラル ネットワーク アーキテクチャを介して、不確実な季節気候予測やその他の時系列データ (購入者パターンなど) の潜在表現を効果的に学習できます。
私たちの広範な実験によると、季節気候予測をモデル化するためにこのような表現を学習すると、既存の需要予測手法と比較して、複数の実世界のデータセットにわたって誤差が約 13\% ～ 17\% 減少することがわかりました。

要約(オリジナル)

Current time-series forecasting problems use short-term weather attributes as exogenous inputs. However, in specific time-series forecasting solutions (e.g., demand prediction in the supply chain), seasonal climate predictions are crucial to improve its resilience. Representing mid to long-term seasonal climate forecasts is challenging as seasonal climate predictions are uncertain, and encoding spatio-temporal relationship of climate forecasts with demand is complex. We propose a novel modeling framework that efficiently encodes seasonal climate predictions to provide robust and reliable time-series forecasting for supply chain functions. The encoding framework enables effective learning of latent representations — be it uncertain seasonal climate prediction or other time-series data (e.g., buyer patterns) — via a modular neural network architecture. Our extensive experiments indicate that learning such representations to model seasonal climate forecast results in an error reduction of approximately 13\% to 17\% across multiple real-world data sets compared to existing demand forecasting methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google