[논문 리뷰] A Bayesian Model for Forecasting Hierarchically Structured Time Series

Julie Novak, Scott McGarvie외 1명|arXiv (Cornell University)|2017. 11. 13.

Forecasting Techniques and Applications참고 문헌 17인용 수 4

한 줄 요약

이 논문은 계층적 시간 시리즈에서 일致하지 않는 예측을 보정하기 위해 初기 예측값, 역사적 정확도, 사전 정보, 이질적인 손실 함수를 통합하는 베이지안 계층 모델을 제안한다. 블록 대각형 상관 구조를 통합하고 일致하는 사후 예측 분포 및 불확실성 정량화를 제공함으로써, 특히 '어려운' 보정 상황에서 예측 정확도를 향상시킨다.

ABSTRACT

An important task for any large-scale organization is to prepare forecasts of key performance metrics. Often these organizations are structured in a hierarchical manner and for operational reasons, projections of these metrics may have been obtained independently from one another at each level of the hierarchy by specialists focusing on certain areas within the business. There is no guarantee that when combined, these aggregates will be consistent with projections produced directly at other levels of the hierarchy. We propose a Bayesian hierarchical method that treats the initial forecasts as observed data which are then combined with prior information and historical predictive accuracy to infer a probability distribution of revised forecasts. When used to create point estimates, this method can reflect preferences for increased accuracy at specific levels in the hierarchy. We present simulated and real data studies to demonstrate when our approach results in improved inferences over alternative methods.

연구 동기 및 목표

• 대규모 조직에서 계층적 수준 간에 독립적인 예측이 일致하지 않아 누적되지 않는 문제를 해결한다.
• 통합된 보정 프레임워크에 역학적 예측 성능과 맥락 기반 사전 지식을 통합하여 예측 정확도를 향상시킨다.
• 사용자 정의 우선순위(예: 상위 수준 집계에서 더 높은 중요도)를 반영한 커스터마이징 가능한 이질적 손실 함수를 통해 의사결정자가 계층의 특정 수준에서 정확도를 우선시할 수 있도록 한다.
• 계층 내 모든 노드에 대해 일관된 불확실성 정량화를 제공하기 위해 사후 예측 분포를 활용한다.
• 블록 대각형 공분산을 통해 노드 간 상관관계를 고려함으로써, 독립성 가정에 비해 예측 성능이 향상됨을 입증한다.

제안 방법

• 초기 예측값을 관측 데이터로 간주하고, 역학적 예측 정확도와 도메인 특화 지식을 반영한 사전 분포와 결합한다.
• 베이지안 계층 모델을 사용하여 계층의 모든 수준에서 누적 제약 조건을 만족하는 재예측를 추론한다.
• 다른 노드에서 오차에 대해 다르게 처벌할 수 있는 이질적 손실 함수를 통합하여 사용자 정의 우선순위를 반영한다(예: 상위 수준 집계에서 더 높은 중요도).
• 자식 노드와 부모 노드 간의 종속성을 포착하기 위해 잔차 상관관계를 블록 대각형 공분산 구조로 모델링한다.
• 사후 분포를 계산하기 위해 마르코프 체인 몬테 카를로(MCMC) 또는 변분 추론을 적용한다.
• 점 추정치로 사후 평균을 사용하고, 손실 함수에 기반한 유틸리티 최적화를 통해 의사결정자 선호도를 반영한다.

실험 결과

연구 질문

• RQ1 계층적 시간 시리즈에서 일관성을 유지하면서 예측 보정 성능을 향상시키기 위해 베이지안 프레임워크가 어떻게 기여할 수 있는가?
• RQ2 기존 방법에 비해 역학적 예측 정확도와 사전 정보를 통합함으로써 보정 성능가 향상되는 정도는 어느 정도인가?
• RQ3 계층 수준 간 정확도 우선순위가 다를 경우, 이질적 손실 함수가 재예측 품질에 어떤 영향을 미치는가?
• RQ4 블록 대각형 공분산을 통해 노드 간 상관관계를 모델링함으로써, 독립성 가정에 비해 보정 정확도에 어떤 영향을 미치는가?
• RQ5 제안된 베이지안 방법이 기존의 상향식, 하향식, OLS, WLS 보정 방법보다 우수한 성능을 보이는 상황은 어떤가?

주요 결과

• 제안된 베이지안 보정 방법은 초기 예측이 일치하지 않고 예측이 어려운 '어려운' 보정 상황에서 OLS, WLS, 상향식, 하향식 방법보다 유의미하게 뛰어난 성능을 보였다.
• IBM 수익 예측 사례 연구에서 '어려운' 상황에서 상대 오차는 Q1과 Q2에 각각 1.30과 1.32를 기록했으며, OLS(1.39와 1.41)와 WLS(1.19와 1.16)보다 상대 오차가 낮아 성능이 뛰어났다.
• 블록 대각형 상관 구조는 복잡하고 상관관계가 높은 계층에서 독립성 가정(대각형 공분산)에 비해 예측 정확도를 향상시켰다.
• 모델이 제공하는 사후 예측 구간은 불확실성이 높은 노드를 식별하는 데 도움이 되어 리스크 인식 의사결정을 지원했다.
• 이질적 손실 함수를 통해 상위 수준 집계와 같은 선호 수준에서의 예측 정확도를 집중적으로 향상시킬 수 있었으며, 하위 수준의 성능은 저하되지 않았다.
• '쉬운' 상황(예측이 일치하고 정확한 경우)에서는 WLS와 유사한 성능을 보여, 다양한 난이도 수준에서의 강인함을 확인했다.