跨序列Transformer：时间序列预测中的产品关注
机器学习
2024-08-08 v1 人工智能
摘要
时间序列预测是许多领域的重要任务，涵盖供应链管理到天气预报。近期，Transformer神经网络架构在常见时间序列基准数据集上的预测中展现出有前景的结果。然而，在供应链需求预测中的应用一直有限，这类任务可能具有稀疏性和跨序列效应等具有挑战性的特征。在本工作中，我们探索了基于Transformer的模型在供应链需求预测中的应用。具体而言，我们开发了一种新的基于Transformer的预测方法，采用共享的多任务每序列网络，并引入跨序列注意力组件以捕捉交互并帮助应对稀疏性。我们提供了一个案例研究，将我们的方法成功应用于改善一家医疗器械制造公司的需求预测。为进一步验证我们的方法，我们还在公开需求预测数据集上进行了应用，并在私有和公开数据集上展示了与多种基线和最先进预测方法相比具有竞争力或更优的性能。
引用
@article{arxiv.2408.03872,
title = {Inter-Series Transformer: Attending to Products in Time Series Forecasting},
author = {Rares Cristian and Pavithra Harsha and Clemente Ocejo and Georgia Perakis and Brian Quanz and Ioannis Spantidakis and Hamza Zerhouni},
journal= {arXiv preprint arXiv:2408.03872},
year = {2024}
}