Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Foundation Models for Demand Forecasting via Dual-Strategy Ensembling

Created by
  • Haebom

저자

Wei Yang, Defu Cao, Yan Liu

개요

본 논문은 공급망 최적화에 필수적인 정확한 수요 예측을 향상시키기 위해 통합 앙상블 프레임워크를 제안합니다. 계층적 복잡성, 도메인 변화, 변화하는 외부 요인으로 인해 실제 환경에서 정확한 수요 예측이 어려운 점을 해결하고자, 기존의 강력한 기본 모델의 성능을 향상시키는 방법을 제시합니다. 이 방법은 의미 수준(예: 매장, 품목, 부서)별로 학습 및 추론을 분할하여 지역적 패턴을 포착하는 계층적 앙상블(HE)과 다양한 모델 백본의 예측을 통합하여 편향을 완화하고 안정성을 향상시키는 구조적 앙상블(AE)이라는 두 가지 상호 보완적인 전략을 결합합니다. M5 벤치마크 및 세 개의 외부 판매 데이터 세트에 대한 광범위한 실험을 통해 제안된 방법이 강력한 기준 모델보다 일관되게 우수한 성능을 보이며, 계층적 수준에서 정확도를 향상시키고 복잡한 예측 환경에서 일반화를 향상시키는 간단하면서도 효과적인 메커니즘을 제공함을 보여줍니다.

시사점, 한계점

•
시사점:
◦
기존 기본 모델의 한계(구조적 경직성, 분포 변화에 대한 취약성)를 극복하는 효과적인 앙상블 프레임워크 제시.
◦
계층적 앙상블(HE)과 구조적 앙상블(AE)을 통한 수요 예측 정확도 향상 및 일반화 성능 개선.
◦
다양한 실제 데이터셋을 통한 실험 결과로 방법의 효용성 검증.
◦
복잡한 공급망 환경에서의 정확한 수요 예측을 위한 실용적인 해결책 제시.
•
한계점:
◦
제안된 방법의 성능 향상이 특정 데이터셋이나 특정 유형의 수요 패턴에 의존할 가능성.
◦
계층적 앙상블의 계층 구조 설계 및 구조적 앙상블의 모델 백본 선택에 대한 최적화 전략이 명확하지 않을 수 있음.
◦
실제 공급망 환경에서의 확장성 및 실시간 적용 가능성에 대한 추가적인 연구 필요.
◦
새로운 도메인이나 급격한 변화에 대한 적응력에 대한 추가적인 검증 필요.
👍
Made with Slashpage