複数周期に着目した畳み込みネットワークによる小売時系列データの予測手法

• Item type: Journal(1)
• 公開日: 2021-11-15
• タイトル: 複数周期に着目した畳み込みネットワークによる小売時系列データの予測手法
• タイトル / 言語: en
• タイトル: Retail Time-Series Prediction Model by Multi-Window Convolution
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [一般論文] 予測，深層学習，時系列，マーケティング
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/00213696
• ID登録 / ID登録タイプ: JaLC
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属: 東京大学
• 著者所属(英): en
• 著者所属(英): The University of Tokyo
• 著者所属(英): en
• 著者所属(英): The University of Tokyo
• 著者所属(英): en
• 著者所属(英): The University of Tokyo
• 著者名: 保住, 純; 岩澤, 有祐; 松尾, 豊
• 著者名(英): Jun, Hozumi; Yusuke, Iwasawa; Yutaka, Matsuo
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 小売業において，将来の商品の需要を正確に予測することは売上を増加させるうえで重要であるため，これまでに計量経済学や統計学といった様々な分野で数々の時系列予測手法が研究されている．近年では，さらに予測性能を上げるために，深層学習を活用する試みもある．ただし，これまでの深層学習を用いた手法は小売データに特化して設計された手法ではないため，小売データにおける有用性は不明瞭である．ゆえに，その特徴をとらえる機構をモデルに組み込むことができれば，これまでの手法を超える予測精度を達成できる蓋然性は高い．このことをふまえ，本研究では小売データが持つ周期性に関するドメイン知識を取り入れた深層学習による予測モデルを提案する．この周期性に関するドメイン知識とは，曜日や月（季節）のような複数の商品に共通する売上の周期変動の他に，商品ごとに特有の異なる消費の周期があり，それぞれ商品の売上データごとにそれらの異なる複数の周期が反映されていると考えられることである．本研究では，既存手法を時系列ごとに異なる複数の周期をとらえられるように拡張することで周期性に関するドメイン知識を考慮して予測を行う手法を提案する．そして，複数種類の実際の小売データや人工的に作成したデータを用いた予測実験を行い，その精度の向上をもって提案手法の有効性を確認する．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Prediction of future demand for products is important for increasing sales in the retail industry and a number of time series forecasting methods have been studied in various fields. In recent years, some attempts have been made to utilize deep learning to improve the prediction performance. However, since previous methods using deep learning were not designed specifically for retail data, the validity for retail data is unclear. If we can incorporate a mechanism for capturing the characteristics of the data, we can develop models that can make more accurate predictions. Based on the above, this study proposes a predictive model based on deep learning that incorporates domain knowledge about the periodicity of retail data. This domain knowledge of periodicity is based on the fact that in addition to cyclical sales fluctuations common to multiple products, such as days of the week and months, there are different consumption cycles specific to each product, and each product's sales data is expected to reflect these different cycles. In this study, we extend the previous method to capture multiple periods that are different for each time series, and propose a method for making predictions that takes into account the domain knowledge about periodicity. We conducted experiments using several types of actual retail data and artificially generated data and the effectiveness of the proposed method is confirmed by improving its accuracy.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 62, 号 11, p. 1829-1839, 発行日 2021-11-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764