[論文レビュー] Hierarchical Industrial Demand Forecasting with Temporal and Uncertainty Explanations

Harshavardhan Kamarthi, Shangqing Xu+5 more|arXiv (Cornell University)|Mar 6, 2026

Forecasting Techniques and Applications被引用数 0

ひとこと要約

論文は、階層的確率時系列予測の説明を提供する一般化可能な方法を紹介する。1) 階層を尊重する木構造の近似、2) 確率的出力を決定論的代理値に基づく分位点で表現することで、合成データと実データで説明性の大幅な向上を評価。

ABSTRACT

Hierarchical time-series forecasting is essential for demand prediction across various industries. While machine learning models have obtained significant accuracy and scalability on such forecasting tasks, the interpretability of their predictions, informed by application, is still largely unexplored. To bridge this gap, we introduce a novel interpretability method for large hierarchical probabilistic time-series forecasting, adapting generic interpretability techniques while addressing challenges associated with hierarchical structures and uncertainty. Our approach offers valuable interpretative insights in response to real-world industrial supply chain scenarios, including 1) the significance of various time-series within the hierarchy and external variables at specific time points, 2) the impact of different variables on forecast uncertainty, and 3) explanations for forecast changes in response to modifications in the training dataset. To evaluate the explainability method, we generate semi-synthetic datasets based on real-world scenarios of explaining hierarchical demands for over ten thousand products at a large chemical company. The experiments showed that our explainability method successfully explained state-of-the-art industrial forecasting methods with significantly higher explainability accuracy. Furthermore, we provide multiple real-world case studies that show the efficacy of our approach in identifying important patterns and explanations that help stakeholders better understand the forecasts. Additionally, our method facilitates the identification of key drivers behind forecasted demand, enabling more informed decision-making and strategic planning. Our approach helps build trust and confidence among users, ultimately leading to better adoption and utilization of hierarchical forecasting models in practice.

研究の動機と目的

• 工業需要における大規模階層的確率時系列予測の解釈可能性の欠如に対処する。
• 階層的一貫性と確率的出力を尊重する一般化可能な説明手法を開発する。
• ground-truth explanations を持つ半合成ベンチマークを作成し、実データで検証する。
• 説明が主要な推定因子、重要な時点、およびデータ変化への感度をどのように明らかにするかを示し、意思決定を支援する。

提案手法

• 階層間重要性を隣接階層の重要性へ分解する木構造近似を提案し、計算を削減し階層的整合性と整合させる。
• 出力分布の分位点を用いて確率的予測の決定論的代理を導入し、既存手法での事後解釈性を可能にする。
• ground-truth explanations を既知の階層系列として生成し、それを実データへ接ぎ木して説明可能性指標を評価する合成ベンチマークを確立する。
• IAS（Importance Accuracy Score）および EVDA（External Variable Detection Accuracy）などの指標を、決定論的および確率的設定の両方で評価する。
• 実世界の Dow 需要データをケーススタディとして提供し、実践的な解釈性の向上と利害関係者の有用性を例示する。

Figure 1: In real-world HTSF tasks, stakeholders and planners want to know: RQ1: which input variable(s) contribute most to the prediction; RQ2: which time steps of each variable contribute most to the prediction; RQ3: why prediction results change when input data changes.

実験結果

リサーチクエスチョン

• RQ1 RQ1: 階層の下で HTSF の予測に最も寄与する変数はどれか？
• RQ2 RQ2: 入力履歴のどの時点が階層的予測に最も影響を与えるか？
• RQ3 RQ3: 入力データを変更したときに予測の説明はどう変わるか？
• RQ4 RQ4: 確率的 HTSF 出力を決定論的代理法でどう説明できるか？
• RQ5 RQ5: 提案された説明は大規模な産業階層と実データセットに適用できるか？

主な発見

• 木構造近似は大規模な階層にも適用可能で説明性を大幅に向上させ、決定論的および確率的設定で顕著な改善を示す。
• 決定論的分位点代理は確率的予測へ標準的な解釈可能性手法を適用可能にし、一貫した説明を達成する。
• 合成ベンチマーク全体で、木構造近似は点予測の説明（IAS）を最大で 62.0%、確率的説明（IAS）を最大で 26.0%向上させる。
• 実世界の Dow データや他のベンチマーク（M5、Tourism-L、Wiki）では、方法が複数のベースラインと HTSF モデルで説明性指標を改善する。
• 事例研究は、利害関係者と意思決定に関連する主要な推進要因、パターン、不確実性の変化を特定するのに役立つことを示す。

Figure 2: Subtree approximation allows HiereInterpret to accurately capture importance scores of any time-series across the hierarchy