ترجمه فارسی مقاله ترانسفورماتور بین سری: توجه به محصولات در پیش‌بینی سری‌های زمانی

چکیده

Time series forecasting is an important task in many fields ranging from supply chain management to weather forecasting. Recently, Transformer neural network architectures have shown promising results in forecasting on common time series benchmark datasets. However, application to supply chain demand forecasting, which can have challenging characteristics such as sparsity and cross-series effects, has been limited. In this work, we explore the application of Transformer-based models to supply chain demand forecasting. In particular, we develop a new Transformer-based forecasting approach using a shared, multi-task per-time series network with an initial component applying attention across time series, to capture interactions and help address sparsity. We provide a case study applying our approach to successfully improve demand prediction for a medical device manufacturing company. To further validate our approach, we also apply it to public demand forecasting datasets as well and demonstrate competitive to superior performance compared to a variety of baseline and state-of-the-art forecast methods across the private and public datasets.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی سری زمانی یک کار مهم در بسیاری از زمینه ها از مدیریت زنجیره تأمین تا پیش بینی آب و هوا است.به تازگی ، معماری شبکه عصبی ترانسفورماتور نتایج امیدوارکننده ای را در پیش بینی مجموعه داده های معیار سری زمانی نشان داده است.با این حال ، استفاده از پیش بینی تقاضای زنجیره تأمین ، که می تواند ویژگی های چالش برانگیز مانند کمبود و اثرات سری متقاطع داشته باشد ، محدود شده است.در این کار ، ما به بررسی استفاده از مدل های مبتنی بر ترانسفورماتور در پیش بینی تقاضای زنجیره تأمین می پردازیم.به طور خاص ، ما یک رویکرد پیش بینی جدید مبتنی بر ترانسفورماتور را با استفاده از یک شبکه مشترک و چند کاره در هر بار با یک مؤلفه اولیه که توجه را در سری زمانی مورد توجه قرار می دهد ، ایجاد می کنیم تا تعامل ها را به خود جلب کند و به رفع کمبود کمک کند.ما یک مطالعه موردی را با استفاده از رویکرد خود برای بهبود موفقیت آمیز پیش بینی تقاضا برای یک شرکت تولیدی دستگاه پزشکی ارائه می دهیم.برای اعتبار بیشتر رویکرد خود ، ما آن را نیز در مجموعه داده های پیش بینی تقاضای عمومی نیز اعمال می کنیم و در مقایسه با انواع روشهای پایه و پیشرفته پیش بینی در سراسر مجموعه داده های خصوصی و عمومی ، رقابت با عملکرد برتر را نشان می دهیم.