[논문 리뷰] Hierarchical Industrial Demand Forecasting with Temporal and Uncertainty Explanations

Harshavardhan Kamarthi, Shangqing Xu외 5명|arXiv (Cornell University)|2026. 03. 06.

Forecasting Techniques and Applications인용 수 0

한 줄 요약

본 논문은 HiereInterpret를 도입하며, 계층형 확률 시계열 예측에 대한 설명을 제공하는 일반화 가능한 방법으로, (1) 계층 구성을 존중하기 위한 하위트리 근사, (2) 확률적 출력에 대한 사분위수 기반 결정적 대리 모형을 제시한다. 합성 데이터와 실제 산업 데이터에 대해 평가되어 상당한 설명 가능성 향상을 보인다.

ABSTRACT

Hierarchical time-series forecasting is essential for demand prediction across various industries. While machine learning models have obtained significant accuracy and scalability on such forecasting tasks, the interpretability of their predictions, informed by application, is still largely unexplored. To bridge this gap, we introduce a novel interpretability method for large hierarchical probabilistic time-series forecasting, adapting generic interpretability techniques while addressing challenges associated with hierarchical structures and uncertainty. Our approach offers valuable interpretative insights in response to real-world industrial supply chain scenarios, including 1) the significance of various time-series within the hierarchy and external variables at specific time points, 2) the impact of different variables on forecast uncertainty, and 3) explanations for forecast changes in response to modifications in the training dataset. To evaluate the explainability method, we generate semi-synthetic datasets based on real-world scenarios of explaining hierarchical demands for over ten thousand products at a large chemical company. The experiments showed that our explainability method successfully explained state-of-the-art industrial forecasting methods with significantly higher explainability accuracy. Furthermore, we provide multiple real-world case studies that show the efficacy of our approach in identifying important patterns and explanations that help stakeholders better understand the forecasts. Additionally, our method facilitates the identification of key drivers behind forecasted demand, enabling more informed decision-making and strategic planning. Our approach helps build trust and confidence among users, ultimately leading to better adoption and utilization of hierarchical forecasting models in practice.

연구 동기 및 목표

• 대규모 계층형 확률 시계열 예측에서 산업 수요에 대한 해석 가능성의 부족을 해결한다.
• 계층적 일관성과 확률적 출력을 존중하는 일반화 가능한 설명 방법을 개발한다.
• Ground-truth 설명을 갖춘 세미-합성 벤치마크를 만들고 실제 산업 데이터에서 검증한다.
• 설명이 이해관계자 의사결정에 도움이 되도록 주요 동인, 중요한 시점, 데이터 변화에 대한 민감도를 보여준다.

제안 방법

• 교차 계층 중요도를 인접 계층 중요도로 분해하여 계산을 줄이고 계층적 일관성과 부합하도록 하위트리 근사를 제시한다.
• 출력 분포의 분위수를 사용하여 확률 예측에 대한 결정적 대리 모형을 도입하고, 기존 방법을 통한 사후 해석 가능성을 가능하게 한다.
• Ground-truth 설명을 가진 합성 벤치마크를 생성하고 이를 실제 데이터셋에 접목시켜 해석 가능성 지표를 평가한다.
• determinisitc 및 확률적 설정에서 IAS(Importance Accuracy Score) 및 EVDA(External Variable Detection Accuracy)와 같은 지표로 설명을 평가한다.
• 실제 Dow 수요 데이터에 대한 사례 연구를 통해 실용적 해석 가능성 향상과 이해관계자 활용을 보여준다.

Figure 1: In real-world HTSF tasks, stakeholders and planners want to know: RQ1: which input variable(s) contribute most to the prediction; RQ2: which time steps of each variable contribute most to the prediction; RQ3: why prediction results change when input data changes.

실험 결과

연구 질문

• RQ1 RQ1: 계층 구조에서 HTSF 예측에 가장 기여하는 변수는 무엇인가?
• RQ2 RQ2: 입력 이력에서 계층형 예측에 가장 영향을 미치는 시점은 언제인가?
• RQ3 RQ3: 입력 데이터가 변경될 때 예측 설명은 어떻게 바뀌는가?
• RQ4 RQ4: 확률적 HTSF 출력을 결정적 대리 모형으로 이용해 어떻게 설명할 수 있는가?
• RQ5 RQ5: 제안된 설명은 대규모 산업 계층 및 실제 데이터셋에 확장 가능한가?

주요 결과

• 하위트리 근사는 상당한 설명 가능성 향상을 제공하고 대규모 계층에도 확장 가능하며, 결정적 및 확률적 설정 모두에서 눈에 띄는 개선을 보인다.
• 결정적 분위수 대리 모형은 확률 예측에 표준 해석 가능성 방법을 적용하게 하여 일관된 설명을 달성한다.
• 합성 벤치마크 전반에서 하위트리 근사는 포인트 예측 설명(IAS)을 최대 62.0% 개선하고 확률적 설명(IAS)을 평균 26.0% 개선한다.
• 실제 Dow 데이터 및 다른 벤치마크(M5, Tourism-L, Wiki)에서 여러 베이스라인 및 HTSF 모델에 걸쳐 설명 가능성 지표를 개선한다.
• 사례 연구는 이 접근이 주요 동인, 패턴 및 이해관계자와 의사결정에 관련된 불확실성 변화를 식별하는 데 도움을 준다는 것을 보여준다.

Figure 2: Subtree approximation allows HiereInterpret to accurately capture importance scores of any time-series across the hierarchy