[論文レビュー] NeuralProphet: Explainable Forecasting at Scale

Oskar Triebe, Hansika Hewamalage+4 more|arXiv (Cornell University)|Nov 29, 2021

Stock Market Forecasting Methods参考文献 7被引用数 5

ひとこと要約

NeuralProphet は、PyTorch をベースにしたハイブリッド予測フレームワークであり、Facebook Prophet を拡張して自己回帰および共変量用のニューラルネットワークモジュールを統合することで、スケーラブルで解釈可能かつ高精度な時系列予測を可能にします。短〜中期間の予測期間において、Prophet よりも予測精度を 55–92% 向上させつつ、Prophet の説明可能性と使いやすさを維持しています。

ABSTRACT

We introduce NeuralProphet, a successor to Facebook Prophet, which set an industry standard for explainable, scalable, and user-friendly forecasting frameworks. With the proliferation of time series data, explainable forecasting remains a challenging task for business and operational decision making. Hybrid solutions are needed to bridge the gap between interpretable classical methods and scalable deep learning models. We view Prophet as a precursor to such a solution. However, Prophet lacks local context, which is essential for forecasting the near-term future and is challenging to extend due to its Stan backend. NeuralProphet is a hybrid forecasting framework based on PyTorch and trained with standard deep learning methods, making it easy for developers to extend the framework. Local context is introduced with auto-regression and covariate modules, which can be configured as classical linear regression or as Neural Networks. Otherwise, NeuralProphet retains the design philosophy of Prophet and provides the same basic model components. Our results demonstrate that NeuralProphet produces interpretable forecast components of equivalent or superior quality to Prophet on a set of generated time series. NeuralProphet outperforms Prophet on a diverse collection of real-world datasets. For short to medium-term forecasts, NeuralProphet improves forecast accuracy by 55 to 92 percent.

研究の動機と目的

• 産業応用において、解釈可能な古典的予測モデルとスケーラブルなディープラーニング手法の間のギャップを埋めるため。
• Stan ベースのバックエンドによる Prophet のローカルコンテキストのモデル化および拡張性の制限を克服するため。
• 線形およびニューラルネットワークコンポーネントを両方サポートする、使いやすく拡張性があり説明可能な予測フレームワークを開発するため。
• 最小限のチューニングとドメインの専門知識で、正確で説明可能かつスケーラブルな予測を構築できるようにするため。
• 古典的時系列モデルとディープラーニングの長所を組み合わせたハイブリッド予測モデルへのアクセスを民主化するため。

提案手法

• NeuralProphet は PyTorch に基づいて構築されており、ミニバッチ確率的勾配降下法などの標準的なディープラーニング最適化手法による学習が可能である。
• トレンド、季節性、休日といった Prophet のコアコンponents を維持しつつ、自己回帰および共変量用にニューラルネットワークモジュールを拡張している。
• 自己回帰モジュールは、ラグ特徴を用いて過去の観測値への依存性をモデル化し、線形または多層ニューラルネットワークとして構成可能である。
• 共変量モジュールは、線形またはニューラルネットワーク変換を用いて外部変数のモデル化を可能にし、非線形関係を扱える。
• パネルデータおよび個々の時系列のグローバルモデリングをサポートし、使いやすさを高めるために自動的なハイパーパramータ選択が可能である。
• 予測をトレンド、季節性、共変量効果といった加法的かつ個別に解釈可能なコンポーネントに分解することで、モデルの解釈性を維持している。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド予測フレームワークは、古典的モデルの解釈可能性とディープラーニングのスケーラビリティ・パフォーマンスを組み合わせられるか？
• RQ2 自己回帰およびニューラルネットワークモジュールによるローカルコンテキストの統合は、Prophet と比較して予測精度をどのように向上させるか？
• RQ3 自己回帰のラグ数やネットワークアーキテクチャなどのハイパーパramータ選択に、NeuralProphet のパフォーマンスがどれほど敏感か？
• RQ4 エキスパートユーザーの高度なカスタマイズを可能にしつつ、使いやすさと解釈可能性を維持できるか？
• RQ5 NeuralProphet が Prophet を上回る主な予測シナリオは何か、特に短〜中期間の予測においては？

主な発見

• NeuralProphet は、多様な実世界のデータセットにおいて、短〜中期間の予測期間において Prophet よりも予測誤差を 55–92% 減少させた。
• エネルギー分野のデータセットでは、120ラグの NeuralProphet モデルが、1ステップ先予測で MASE を 96% 減少、60ステップ先予測で 66% 減少させた。
• 自己回帰モジュールに 4層 16次元のニューラルネットワークを設定した場合、15および60ステップ先予測では線形モデルを上回ったが、1または3ステップ先では上回らなかった。
• 強い時系列依存性を示すデータセット、特にエネルギー分野や産業用途において、120ラグモデルは顕著なパフォーマンス向上を示した。
• アブレーションスタディにおいて、NeuralProphet のパフォーマンスはハイパーパramータの選択に対して頑健であり、ラグ数やネットワークの深さにほとんど感度を示さなかった。
• 強い季節性と弱いローカルコンテキストを示す人間活動データでは、短い予測期間では線形モデルがニューラルネットワークを上回ったが、長期予測ではニューラルモデルが優れた性能を示した。