[論文レビュー] Machine learning applications in time series hierarchical forecasting

Mahdi Abolghasemi, Rob J. Hyndman+2 more|arXiv (Cornell University)|Dec 1, 2019

Forecasting Techniques and Applications参考文献 28被引用数 14

ひとこと要約

本稿では、プロ motion による需要シフトを捉えることができない従来の統計的モデルの限界を補うために、XGBoost、ANN、SVR を用いて中間レベルの予測から下位レベルの販売比率を予測する機械学習（ML）ベースの動的アンサンブル手法を提案する。この手法は、従来の統計モデルを著しく上回り、XGBoost が下位レベルで最も高い精度を示し、ML モデルはプロ motion 需要シナリオにおいて BU および COM-WLS モデルを常に上回る。

ABSTRACT

Hierarchical forecasting (HF) is needed in many situations in the supply chain (SC) because managers often need different levels of forecasts at different levels of SC to make a decision. Top-Down (TD), Bottom-Up (BU) and Optimal Combination (COM) are common HF models. These approaches are static and often ignore the dynamics of the series while disaggregating them. Consequently, they may fail to perform well if the investigated group of time series are subject to large changes such as during the periods of promotional sales. We address the HF problem of predicting real-world sales time series that are highly impacted by promotion. We use three machine learning (ML) models to capture sales variations over time. Artificial neural networks (ANN), extreme gradient boosting (XGboost), and support vector regression (SVR) algorithms are used to estimate the proportions of lower-level time series from the upper level. We perform an in-depth analysis of 61 groups of time series with different volatilities and show that ML models are competitive and outperform some well-established models in the literature.

研究の動機と目的

• プロ motion に起因する動的需要シフトを正しく捉えることができない静的階層的予測モデル（例：トップダウン、ボトムアップ、最適コンビネーション）の限界を是正すること。
• 機械学習モデルが上位レベルの予測から下位レベル系列の時間変動する割合を学習することで、階層的時系列予測におけるアンサンブル精度を向上させられるかを検証すること。
• 実世界のFMCG販売データセット（プロ motion に起因する高いボラティリティを示す）を用い、ML モデル（XGBoost、ANN、SVR）と確立された統計モデル（例：COM-WLS、BU）の性能を比較評価すること。
• 中間からのアプローチ（MO）を機械学習による動的プローレーションで強化した手法が、階層的予測における下位レベルの予測精度を向上させることを実証すること。

提案手法

• 2段階の供給チェーン階層における中間レベルで予測を生成する中間からのアプローチ（MO）を採用する。
• 中間レベルの予測値をトップレベルに集約し、その後、下位レベルに機械学習モデルを用いてアンサンブル化する。この際、各下位レベル系列の割合を予測するモデルを訓練する。
• XGBoost、人工ニューラルネットワーク（ANN）、サポートベクターレグレッション（SVR）の3つの機械学習モデルを用い、履歴販売データおよびプロ motion 特徴量に基づいて、時間変動するアンサンブル要因を推定する。
• 階層のトップ、中間、下位レベルにおける1ステップ、4ステップ、8ステップ先の予測に対して、MAE および MASE 指標を用いてモデルを評価する。
• オーストラリアのFMCG企業から得た実世界のデータセットを用い、61の時系列グループを含み、プロ motion イベントに起因する変動が著しい。
• 統計的ベンチマークには、トップダウン（TD）、ボトムアップ（BU）、最適コンビネーション（COM）モデルを含み、COM-WLS および COM-SHR を具体的な亜種として使用する。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、階層的時系列予測において、プロ motion に起因する動的需要変動を効果的に捉えることができるか？
• RQ2 ML ベースの動的アンサンブル手法の性能は、BU、TD、COM などの従来の静的階層的予測モデルと比べてどうか？
• RQ3 ML ベースのプローレーションを用いた中間からのアプローチは、直接的なボトムアップ予測と比較して、下位レベルの予測精度を向上させるか？
• RQ4 XGBoost、ANN、SVR のうち、どの機械学習モデルがプロ motion ボラティリティ下での階層的予測において最も高いアンサンブル精度を達成するか？
• RQ5 階層の異なるレベルにおいて、ML モデルと最先端の統計モデルとの間で、予測精度に有意差が認められるか？

主な発見

• XGBoost は下位レベルで最高の予測精度を示し、BU モデルおよび COM-WLS および COM-SHR の統計的ベンチマークを著しく上回った。
• SVR は下位レベルで2番目の結果を達成し、ML モデルの中でも強く、統計モデルと同等の精度を示した。
• DHF-ANN（動的階層的予測におけるANN）は下位レベルで競争力のある予測を達成し、BU を上回り、COM-WLS および COM-SHR に近い性能を示した。
• TD および TDFP モデルはトップレベルで最も良い予測を生成し、両者間に有意差は認められなかった。これは、集約によって合計販売量のばらつきが低減されたためである。
• すべてのレベルで、ML モデルと最先端の統計モデルとの間には統計的に有意な差（p < 0.05）が認められ、特に下位レベルで顕著であった。
• 中間レベルの系列と下位レベルの系列の需要パターンが異なっていたにもかかわらず、BU モデルは中間レベルでMOアプローチと同等の予測精度を示し、有意差は認められなかった。