A Bayesian Dirichlet Auto-Regressive Moving Average Model for Forecasting Lead Times
用于收入确认提前期预测的贝叶斯 Dirichlet 自回归移动平均模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确建立成分时间序列的自回归移动平均模型并预测未来费用分布，对应时间序列与预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于收入确认提前期预测的贝叶斯 Dirichlet 自回归移动平均模型
- 研究问题
- 酒店业每日产生的费用将在未来不同时间窗口确认，如何建模并预测这些窗口中的费用比例，以支持资源配置、业务规划和人员安排？
- 方法与思路
- 作者提出 B-DARMA，对每日比例向量设定 Dirichlet 分布，经加性对数比连接后，用含历史比例、历史参数和日度协变量的 VARMA 建模均值。
- 材料陈述的贡献
- 摘要称，该模型适用于较大成分向量及长短时间序列，可通过先验选择获得效率增益，并提供可解释参数和合理预测，以五年日度费用数据为动机。
- 阅读关注点
- 应核对成分数据中零值的处理、时间依赖与尺度参数设定、先验敏感性，以及未来费用比例预测的评价方式和实际信息可得性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实。摘要未提供具体预测误差、比较基准或稳定性条件，合理预测的表述尚不足以判断相对优势。
原文摘要
Lead time data is compositional data found frequently in the hospitality industry. Hospitality businesses earn fees each day, however these fees cannot be recognized until later. For business purposes, it is important to understand and forecast the distribution of future fees for the allocation of resources, for business planning, and for staffing. Motivated by 5 years of daily fees data, we propose a new class of Bayesian time series models, a Bayesian Dirichlet Auto-Regressive Moving Average (B-DARMA) model for compositional time series, modeling the proportion of future fees that will be recognized in 11 consecutive 30 day windows and 1 last consecutive 35 day window. Each day's compositional datum is modeled as Dirichlet distributed given the mean and a scale parameter. The mean is modeled with a Vector Autoregressive Moving Average process after transforming with an additive log ratio link function and depends on previous compositional data, previous compositional parameters and daily covariates. The B-DARMA model offers solutions to data analyses of large compositional vectors and short or long time series, offers efficiency gains through choice of priors, provides interpretable parameters for inference, and makes reasonable forecasts.