$\spadesuit$ SPADE $\spadesuit$ Split Peak Attention DEcomposition

要約

需要予測は、プロモーションや休日などの特別な期間に対応するピーク イベント (PE) によって引き起こされる課題に直面しています。
ピーク イベントにより需要が大幅に急増し、その後、需要が減少する期間が続きます。
MQCNN や MQT などのニューラル ネットワークは、PE 需要の上昇を後続のピークイベント後 (PPE) 期間に引き継ぐことによって需要のピークに過剰に反応し、その結果、予測が大幅に偏りすぎます。
この課題に取り組むために、Split Peak Attendment DEcomposition (SPADE) と呼ばれるニューラル予測モデルを導入します。
このモデルは、予測を 2 つの別個のタスクで構成されるものとしてモデル化することにより、その後の予測に対する PE の影響を軽減します。
そしてもう一つは残りです。
そのアーキテクチャでは、マスクされた畳み込みフィルターと特殊なピーク アテンション モジュールが使用されます。
何億もの製品を含む世界中の小売データセットにおける SPADE のパフォーマンスを示します。
当社の結果では、現在の生産モデルと比較して、全体的な PPE が 4.5% 向上し、プロモーションや休暇後に最も影響を受ける予測が 30% 向上し、PE の精度が 3.9% 向上したことが明らかになりました。

要約(オリジナル)

Demand forecasting faces challenges induced by Peak Events (PEs) corresponding to special periods such as promotions and holidays. Peak events create significant spikes in demand followed by demand ramp down periods. Neural networks like MQCNN and MQT overreact to demand peaks by carrying over the elevated PE demand into subsequent Post-Peak-Event (PPE) periods, resulting in significantly over-biased forecasts. To tackle this challenge, we introduce a neural forecasting model called Split Peak Attention DEcomposition, SPADE. This model reduces the impact of PEs on subsequent forecasts by modeling forecasting as consisting of two separate tasks: one for PEs; and the other for the rest. Its architecture then uses masked convolution filters and a specialized Peak Attention module. We show SPADE’s performance on a worldwide retail dataset with hundreds of millions of products. Our results reveal an overall PPE improvement of 4.5%, a 30% improvement for most affected forecasts after promotions and holidays, and an improvement in PE accuracy by 3.9%, relative to current production models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google