A Scalable and Transferable Time Series Prediction Framework for Demand Forecasting

要約

時系列予測は、需要予測や物流の最適化など、多くのビジネス上の問題において最も重要かつ普遍的なタスクの 1 つです。
しかし、従来の時系列予測手法では、高い精度を維持しながらモデルのサイズを拡大することが難しいため、モデルが小さく、表現力が限られていました。
この論文では、さまざまなアイテムの将来の需要を正確に予測できるシンプルかつ強力なフレームワークである Forecasting Orchestra (Forchestra) を提案します。
我々は、モデルのサイズが最大 8 億パラメータまで拡張可能であることを経験的に示しています。
提案された方法は、既存の予測モデルを大幅に上回っているだけでなく、下流のデータセットでゼロショット方式で評価すると、目に見えないデータポイントまで十分に一般化できる可能性があります。
最後になりましたが、提案されたモデルがベースライン モデルをどのように上回り、従来のアプローチとどのように異なるかを分析するための広範な定性的および定量的研究を紹介します。
元の論文は ICDM 2022 で完全な論文として発表され、https://ieeexplore.ieee.org/document/10027662 で入手できます。

要約(オリジナル)

Time series forecasting is one of the most essential and ubiquitous tasks in many business problems, including demand forecasting and logistics optimization. Traditional time series forecasting methods, however, have resulted in small models with limited expressive power because they have difficulty in scaling their model size up while maintaining high accuracy. In this paper, we propose Forecasting orchestra (Forchestra), a simple but powerful framework capable of accurately predicting future demand for a diverse range of items. We empirically demonstrate that the model size is scalable to up to 0.8 billion parameters. The proposed method not only outperforms existing forecasting models with a significant margin, but it could generalize well to unseen data points when evaluated in a zero-shot fashion on downstream datasets. Last but not least, we present extensive qualitative and quantitative studies to analyze how the proposed model outperforms baseline models and differs from conventional approaches. The original paper was presented as a full paper at ICDM 2022 and is available at: https://ieeexplore.ieee.org/document/10027662.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google