Tab2vox：基于表格到体素图像转换的 CNN 多变量多层次需求预测框架
机器学习
2022-09-22 v1 机器学习
摘要
由于需求受多种原因影响，有必要将解释变量分解到不同层次，有效提取其关系并反映到预测中。特别是，这种上下文信息在需求波动大或间歇性需求模式的预测中非常有用。卷积神经网络 (CNNs) 已成功用于许多将数据中的重要信息以图像表示的领域。CNN 强大之处在于它们将样本作为图像接受，并利用相邻体素集整合多维重要信息并学习重要特征。另一方面，尽管需求预测模型已有改进，输入数据仍局限于表格形式，不适合 CNN 建模。在本研究中，我们提出 Tab2vox 神经架构搜索 (NAS) 模型，作为一种将高维表格样本转换为规整的 3D 体素图像并用于 3D CNN 网络的方法。对于每个图像表示，Tab2vox 框架提出的 3D CNN 预测模型相比使用表格数据的现有时间序列与机器学习技术以及最新图像转换研究均表现出更优性能。
引用
@article{arxiv.2209.10516,
title = {Tab2vox: CNN-Based Multivariate Multilevel Demand Forecasting Framework by Tabular-To-Voxel Image Conversion},
author = {Euna Lee and Myungwoo Nam and Hongchul Lee},
journal= {arXiv preprint arXiv:2209.10516},
year = {2022}
}