Inter-Series Transformer: Attending to Products in Time Series Forecasting

要約

時系列予測は、サプライ チェーン管理から天気予報に至るまで、多くの分野で重要なタスクです。
最近、Transformer ニューラル ネットワーク アーキテクチャは、一般的な時系列ベンチマーク データセットの予測において有望な結果を示しました。
ただし、希薄性や系列間効果などの困難な特性を持つ可能性があるサプライ チェーンの需要予測への適用は限られています。
この作業では、サプライ チェーンの需要予測への Transformer ベースのモデルの適用を検討します。
特に、時系列全体に注意を適用する初期コンポーネントを備えた共有のマルチタスク時系列ネットワークを使用した、新しい Transformer ベースの予測アプローチを開発して、インタラクションをキャプチャし、スパース性への対処を支援します。
私たちのアプローチを適用して医療機器製造会社の需要予測を改善することに成功したケーススタディを紹介します。
私たちのアプローチをさらに検証するために、私たちはそれを公共の需要予測データセットにも適用し、民間および公共のデータセットにわたるさまざまなベースラインおよび最先端の予測方法と比較して優れたパフォーマンスを実証しました。

要約(オリジナル)

Time series forecasting is an important task in many fields ranging from supply chain management to weather forecasting. Recently, Transformer neural network architectures have shown promising results in forecasting on common time series benchmark datasets. However, application to supply chain demand forecasting, which can have challenging characteristics such as sparsity and cross-series effects, has been limited. In this work, we explore the application of Transformer-based models to supply chain demand forecasting. In particular, we develop a new Transformer-based forecasting approach using a shared, multi-task per-time series network with an initial component applying attention across time series, to capture interactions and help address sparsity. We provide a case study applying our approach to successfully improve demand prediction for a medical device manufacturing company. To further validate our approach, we also apply it to public demand forecasting datasets as well and demonstrate competitive to superior performance compared to a variety of baseline and state-of-the-art forecast methods across the private and public datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google