[論文レビュー] A Bayesian Model for Forecasting Hierarchically Structured Time Series

Julie Novak, Scott McGarvie+1 more|arXiv (Cornell University)|Nov 13, 2017

Forecasting Techniques and Applications参考文献 17被引用数 4

ひとこと要約

本稿では、階層的構造を持つ時系列の不一致予測を、初期予測値と歴史的精度、事前情報、非一様な損失関数を組み合わせることで是正するベイジアン階層モデルを提案する。この手法は、ブロック対角型の相関構造を組み込み、不確実性の定量化を伴う一貫性のある事後予測分布を提供することで、特に「困難な」是正シナリオにおいて予測精度を向上させる。

ABSTRACT

An important task for any large-scale organization is to prepare forecasts of key performance metrics. Often these organizations are structured in a hierarchical manner and for operational reasons, projections of these metrics may have been obtained independently from one another at each level of the hierarchy by specialists focusing on certain areas within the business. There is no guarantee that when combined, these aggregates will be consistent with projections produced directly at other levels of the hierarchy. We propose a Bayesian hierarchical method that treats the initial forecasts as observed data which are then combined with prior information and historical predictive accuracy to infer a probability distribution of revised forecasts. When used to create point estimates, this method can reflect preferences for increased accuracy at specific levels in the hierarchy. We present simulated and real data studies to demonstrate when our approach results in improved inferences over alternative methods.

研究の動機と目的

• 大規模組織における階層的レベル間で不一致する予測が生じる課題に対処すること。これは、異なるレベルで独立して得られた予測が、整合的に集計されないことに起因する。
• 歴史的な予測性能と文脈に特化した事前知識を統合することで、統一的な是正フレームワークを構築し、予測精度を向上させること。
• ユーザー定義の優先順位（例：上位レベルの集計が特に重要）を反映できる、カスタマイズ可能な非一様損失関数を通じて、意思決定者が階層の特定のレベルでの正確性を優先できること。
• 階層内のすべてのノードに対して一貫性のある不確実性の定量化を提供するため、事後予測分布を用いること。
• ブロック対角型の共分散構造によるノード間相関を考慮することで、独立性を仮定する場合と比較して予測性能が向上することを示すこと。

提案手法

• 初期予測値を観測データとして扱い、歴史的予測精度と分野特化の知識を反映する事前分布と組み合わせること。
• ベイジアン階層モデルを用いて、階層のすべてのレベルで集計制約を満たす再定義された予測値を推定すること。
• 異なるノードでの誤差に対するペナルティを異にする非一様損失関数を組み込み、ユーザーが定義した優先順位（例：上位レベルの集計が重要）を反映させること。
• 子ノードと親ノードのサブツリー内での相関関係を捉えるために、ブロック対角型の共分散構造を用いて残差相関をモデル化すること。
• マルコフ連鎖モンテカルロ法（MCMC）または変分ベイズ推論を用いて、再定義された予測値の事後分布を計算すること。
• 事後平均を点推定値として用い、損失関数に従って最適化された意思決定者の好みを反映するように、利益最大化をガイドすること。

実験結果

リサーチクエスチョン

• RQ1 階層的構造を持つ時系列の予測是正において、ベイジアンフレームワークがレベル間の一貫性を保ちながら予測精度をどのように向上させるか。
• RQ2 標準的手法と比較して、歴史的予測精度と事前情報を取り入れることで、是正性能がどの程度向上するか。
• RQ3 予測精度の優先順位が階層の異なるレベルで異なる場合、非一様損失関数が是正された予測の品質にどのように影響するか。
• RQ4 ブロック対角型共分散を用いてノード間相関をモデル化することで、独立性を仮定する場合と比較して、是正精度にどのような影響を与えるか。
• RQ5 本手法が、トップダウン、ボトムアップ、OLS、WLSといった既存のアプローチを上回るシナリオはどのようなものか。

主な発見

• 提案されたベイジアン是正手法は、初期予測が不一致で予測が困難な「困難な」是正シナリオにおいて、OLS、WLS、トップダウン、ボトムアップ手法を顕著に上回った。
• IBMの収益予測事例において、『困難な』シナリオでは相対誤差が1.30（Q1）および1.32（Q2）を記録し、OLS（1.39および1.41）とWLS（1.19および1.16）を上回った。
• ブロック対角型の相関構造は、複雑で相関の強い階層において、対角（独立）共分散仮定よりも予測精度を向上させた。
• モデルが提供する事後予測区間により、リスクを意識した意思決定を支援するための、不確実性の高いノードの特定が可能になった。
• 非一様損失関数により、下位レベルの性能を劣化させることなく、特に上位レベルの集計での予測精度をターゲットに向上させることができた。
• 『容易な』シナリオ（予測が整合的かつ正確な場合）では、WLSと同等の性能を示し、さまざまな難易度のシナリオにわたるロバストネスを確認した。