LLMForecaster: Improving Seasonal Event Forecasts with Unstructured Textual Data

要約

現代の時系列予測モデルは、時系列自体に関する豊富な非構造化情報を十分に活用できていないことが多い。この適切な条件付けの欠如は、明らかなモデルの失敗につながる可能性がある。例えば、モデルは特定の商品の詳細を知らないため、明らかに関連する商品の祝日などの主要な外生的イベントに先立ち、顧客需要の季節的急増を予測できない可能性がある。この欠点に対処するために、本稿では、LLMForecasterと呼ぶ新しい予測ポストプロセッサーを紹介する。このポストプロセッサーは、既存の需要予測パイプラインからの予測を改善するために、非構造化セマンティック情報とコンテキスト情報と履歴データを取り込むために、大規模言語モデル（LLM）を微調整する。業界スケールの小売業への応用において、我々は、我々の技術が、休日主導の需要急増にさらされるいくつかの商品セットにおいて、統計的に有意な予測改善をもたらすことを実証する。

要約(オリジナル)

Modern time-series forecasting models often fail to make full use of rich unstructured information about the time series themselves. This lack of proper conditioning can lead to obvious model failures; for example, models may be unaware of the details of a particular product, and hence fail to anticipate seasonal surges in customer demand in the lead up to major exogenous events like holidays for clearly relevant products. To address this shortcoming, this paper introduces a novel forecast post-processor — which we call LLMForecaster — that fine-tunes large language models (LLMs) to incorporate unstructured semantic and contextual information and historical data to improve the forecasts from an existing demand forecasting pipeline. In an industry-scale retail application, we demonstrate that our technique yields statistically significantly forecast improvements across several sets of products subject to holiday-driven demand surges.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL