[論文レビュー] Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM

Tong Zhou|arXiv (Cornell University)|May 26, 2023

Time Series Analysis and Forecasting被引用数 4

ひとこと要約

本論文では、時系列をトレンドおよび季節性成分に分解し、製品をこれらの成分に基づいてグループ化し、LightGBMにTweedie損失関数を適用することで、精度を向上させるハイブリッド販売予測フレームワークを提案する。この手法は、ベースラインモデルと比較してWRMSSEを61.4％低減し、Walmart販売データにおいて優れた性能を示した。

ABSTRACT

Retail sales forecasting presents a significant challenge for large retailers such as Walmart and Amazon, due to the vast assortment of products, geographical location heterogeneity, seasonality, and external factors including weather, local economic conditions, and geopolitical events. Various methods have been employed to tackle this challenge, including traditional time series models, machine learning models, and neural network mechanisms, but the difficulty persists. Categorizing data into relevant groups has been shown to improve sales forecast accuracy as time series from different categories may exhibit distinct patterns. In this paper, we propose a new measure to indicate the unique impacts of the trend and seasonality components on a time series and suggest grouping time series based on this measure. We apply this approach to Walmart sales data from 01/29/2011 to 05/22/2016 and generate sales forecasts from 05/23/2016 to 06/19/2016. Our experiments show that the proposed strategy can achieve improved accuracy. Furthermore, we present a robust pipeline for conducting retail sales forecasting.

研究の動機と目的

• 複雑なトレンド、季節性、および製品や場所ごとのデータの非均一性に直面する中で、正確な小売販売予測を実現すること。
• すべての製品を一様に扱うのではなく、独自のトレンドおよび季節性パターンに基づいて時系列をグループ化することで、予測精度を向上させること。
• 小売業界で一般的なゼロ値が多発する歪んだ販売データに対処するため、Tweedieに基づく損失関数の有効性を評価すること。
• 分解、モデル固有の学習、アンサンブル重み付けを統合した、大規模な販売予測に適したスケーラブルで頑健なパイプラインを開発すること。

提案手法

• 著者らは、各時系列におけるトレンドおよび季節性の影響を定量化する新しい指標を提案し、これにより類似した行動を示す製品のデータ駆動型グループ化を可能にした。
• 時系列はProphetモデルを用いて分解され、トレンドおよび季節成分が抽出され、その後、クラスタリング用のグループ固有スコアが計算された。
• LightGBMは、分解された成分から得られる特徴量を用いて各グループで訓練され、ゼロ値が多発する、かつ変動が激しい販売データに対処するためTweedie損失関数が使用された。
• 28日間の予測期間全体で誤差の累積を防ぐために、非再帰的予測戦略が採用された。
• 最終的な予測は、LightGBMとProphetの予測値を、LightGBMの注目スコアから導出された重みを用いた重み付き平均によって生成した。
• フレームワークはハイブリッドモデリングアプローチを採用している：LightGBMはグループ内での複雑な非線形パターンを捉え、Prophetは季節性や不規則な要因に対しても頑健性を確保する。

Figure 1: Total sales per day

実験結果

リサーチクエスチョン

• RQ1 トレンドおよび季節性分解に基づいて時系列をグループ化することで、グローバルモデリングと比較して販売予測精度が向上するか？
• RQ2 Tweedie損失関数の使用が、ゼロ値が多発する歪んだ販売データにおけるモデル性能を向上させるか？
• RQ3 本研究で提案する分解に基づくグループ化戦略は、分解なしまたは代替損失関数を用いたモデルと比較して、どのように異なるか？
• RQ4 非再帰的予測は、多段予測における誤差蓄積をどの程度軽減するか？

主な発見

• 提案されたトレンド・シーズン性分解戦略は、予測精度を顕著に向上させ、WRMSSEを分解なし（MSE）の0.963から、MSEを用いた場合の0.767、Tweedie損失関数を用いた場合の0.614にまで低下させた。
• 分解とTweedie損失関数の両方を適用したモデルが、WRMSSE 0.614を記録し、線形回帰（1.120）、SVM（1.083）、LSTM（0.802）を上回る優れた性能を示した。
• Tweedieに基づく損失関数は、すべての設定において平均二乗誤差（MSE）を上回る性能を示し、歪んでおりゼロ値が多発する販売データに適していることが示された。
• 非再帰的予測アプローチは誤差蓄積を効果的に防止し、28日間の予測ウィンドウ全体で安定した性能を維持した。
• トレンドおよび季節性成分に基づいて時系列をグループ化することで、すべての製品を一様に扱うのとは対照的に、より正確でカスタマイズされた予測が得られた。
• LightGBMとProphetを統合したハイブリッドフレームワークは、頑健性とスケーラビリティに優れており、大規模な小売販売予測用途に適していることが示された。

Figure 2: Sales trends in 10 stores