[論文レビュー] Wielding Occam's razor: Fast and frugal retail forecasting

Fotios Petropoulos, Yael Grushka‐Cockayne+2 more|arXiv (Cornell University)|Feb 23, 2021

Forecasting Techniques and Applications被引用数 5

ひとこと要約

本論文は、計算コストの一部にすぎないが、高い精度を達成する高速でシンプルな予測フレームワークを提案している。指数平滑法とARIMAモデルの縮小されたプールを用いることで、計算コストを大幅に削減しながらも、予測精度や不確実性推定を維持または向上させる。各ファミリーから最も効果的なモデルのみを選択することで、処理時間、金銭的コスト、炭素排出量を著しく削減する。大規模小売業者では、年間で108,286トンのCO2eを削減できることが実証された。

ABSTRACT

The algorithms available for retail forecasting have increased in complexity. Newer methods, such as machine learning, are inherently complex. The more traditional families of forecasting models, such as exponential smoothing and autoregressive integrated moving averages, have expanded to contain multiple possible forms and forecasting profiles. We question complexity in forecasting and the need to consider such large families of models. Our argument is that parsimoniously identifying suitable subsets of models will not decrease forecasting accuracy nor will it reduce the ability to estimate forecast uncertainty. We propose a framework that balances forecasting performance versus computational cost, resulting in the consideration of only a reduced set of models. We empirically demonstrate that a reduced set performs well. Finally, we translate computational benefits to monetary cost savings and environmental impact and discuss the implications of our results in the context of large retailers.

研究の動機と目的

• 小売予測におけるモデルの複雑化の傾向に挑戦し、よりシンプルで計算効率の良いモデルプールが、より大きな複雑なファミリーと同等またはそれを上回る性能を発揮できるかどうかを評価すること。
• 予測プール内のモデル数を減らすことが、予測精度や不確実性推定に与える影響を評価すること。
• 大規模小売予測応用において、より小さなモデルプールを用いることで得られる金銭的および環境的コスト削減を定量的に評価すること。
• 従来の誤差指標に加え、計算コストと予測の付加価値を、主要なパフォーマンス指標として組み込むべきであることを提唱すること。
• 高速でシンプルな予測が、大規模小売業者においてコスト、スピード、持続可能性の観点から、実際には優れているという実証的証拠を提供すること。

提案手法

• 著者たちは、実際の小売時系列約10万件に対して、10種類の指数平滑法（ETS）と10種類のARIMAモデルからなる縮小プールと、30種類のETSと30種類のARIMAモデルからなるフルプールを比較した。
• 各時系列に最も適したモデルを特定する高速でシンプルな選択ヒューリスティックを用い、計算オーバーヘッドを最小限に抑えた。
• 予測精度はMAE、MAPE、MASEで評価。不確実性は予測区間カバレッジ確率（PICP）と区間幅で評価。
• Google Cloudを活用したクラウドベースの計算環境を用い、フルプールと縮小プールの実際の実行時間とCO2排出量を測定した。
• 金銭的コストはクラウド計算コストに基づいて推定され、環境的影響はCO2e削減量および木の吸収量に相当する値に換算された。
• スケーラビリティと頑健性を確認するため、ウォルマートやKaggleのウォルマート販売データを含む複数の実世界データセットで分析を検証した。

実験結果

リサーチクエスチョン

• RQ1 縮小された予測モデルプールは、より大きな複雑なモデルファミリーと比較して、予測精度を維持または向上させることができるか？
• RQ2 モデルの複雑さを低減することは、予測区間による不確実性推定の精度に影響を与えるか？
• RQ3 大規模小売予測において、高速でシンプルなモデルプールを用いることで、計算コスト、金銭的支出、炭素排出量をどの程度削減できるか？
• RQ4 低順序ARIMAモデルと高順序モデルの性能は、縮小プール内でどのように異なるか？
• RQ5 計算効率とコスト効率を優先することで、予測の付加価値を向上させることができるか？

主な発見

• 縮小された指数平滑法プール（10モデル）は、フルETSファミリー（30モデル）と比較して、平均的により高い精度の予測を達成し、計算時間も著しく短縮された。
• 縮小モデルプールは予測区間のカバレッジと幅を改善し、フルモデルセットと比較して不確実性推定がより優れていた。
• ARIMAモデルを1つ（K=1）に限定することは不適切であったが、10個のARIMAモデルからなる小さなプールは、はるかに低い計算コストで競争力のある性能を示した。
• 1日1回、400億のSKU-ZIPコードの組み合わせを対象とする大規模小売業者では、縮小モデルプールにより年間で108,286トンのCO2eを削減可能であり、これは89,000台分の自動車の排出量に相当し、年間で320万本の木が吸収可能な量に相当する。
• 縮小モデルプールにより処理時間が10倍以上短縮され、クラウド計算コストにおいて顕著な金銭的節約が実現した。
• 本研究は、計算コストと環境的影響を、予測誤差と同様に予測モデル選択における主要なパフォーマンス指標として考慮すべきであることを示した。