[논문 리뷰] Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM

Tong Zhou|arXiv (Cornell University)|2023. 05. 26.

Time Series Analysis and Forecasting인용 수 4

한 줄 요약

이 논문은 시계열을 추세 및 계절성 성분으로 분해하고, 제품을 이러한 성분 기반으로 군집화한 후 LightGBM에 Tweedie 손실 함수를 적용하여 정확도를 향상시키는 하이브리드 매출 예측 프레임워크를 제안한다. 이 방법은 기준 모델 대비 WRMSSE를 61.4% 감소시켜 월마트 매출 데이터에서 뛰어난 성능을 입증한다.

ABSTRACT

Retail sales forecasting presents a significant challenge for large retailers such as Walmart and Amazon, due to the vast assortment of products, geographical location heterogeneity, seasonality, and external factors including weather, local economic conditions, and geopolitical events. Various methods have been employed to tackle this challenge, including traditional time series models, machine learning models, and neural network mechanisms, but the difficulty persists. Categorizing data into relevant groups has been shown to improve sales forecast accuracy as time series from different categories may exhibit distinct patterns. In this paper, we propose a new measure to indicate the unique impacts of the trend and seasonality components on a time series and suggest grouping time series based on this measure. We apply this approach to Walmart sales data from 01/29/2011 to 05/22/2016 and generate sales forecasts from 05/23/2016 to 06/19/2016. Our experiments show that the proposed strategy can achieve improved accuracy. Furthermore, we present a robust pipeline for conducting retail sales forecasting.

연구 동기 및 목표

• 복잡한 추세, 계절성, 제품 및 지점 간 데이터 이질성 등 다양한 요소가 존재하는 상황에서 정확한 소매 매출 예측을 해결하기 위해.
• 모든 제품을 동일하게 취급하는 대신, 고유한 추세 및 계절성 패턴에 기반해 시계열을 군집화함으로써 예측 정확도를 향상시키기 위해.
• 소매에서 흔한 영향을 받는 영업 이론적, 비대칭적인 데이터를 다루기 위해 Tweedie 기반 손실 함수의 효과를 평가하기 위해.
• 분해, 모델별 학습, 앙상블 가중치 부여를 통합하는 대규모 매출 예측에 적합한 확장성 있고 견고한 파ip라인을 개발하기 위해.

제안 방법

• 저자들은 각 시계열에 대한 추세 및 계절성의 고유한 영향을 정량화하는 새로운 측정 기준을 제안하여, 유사한 행동을 보이는 제품의 데이터 기반 군집화를 가능하게 한다.
• 시계열은 Prophet 모델을 사용해 분해되어 추세 및 계절성 성분을 추출하고, 이를 바탕으로 군집화를 위한 군별 점수를 계산한다.
• LightGBM는 분해된 성분에서 유도된 특징을 사용해 각 군집에서 학습되며, 영업 이론적, 변동성이 큰 매출 데이터를 다루기 위해 Tweedie 손실 함수를 적용한다.
• 28일 예측 기간 동안 오차가 누적되지 않도록 하기 위해 비재귀적 예측 전략이 사용된다.
• 최종 예측은 LightGBM 및 Prophet 예측 결과를 가중 평균으로 조합하여 생성되며, 가중치는 LightGBM의 주의 점수에서 유도된다.
• 이 프레임워크는 하이브리드 모델링 접근법을 사용한다: LightGBM는 군집 내 복잡한 비선형 패턴을 포착하고, Prophet은 계절성 및 이질성에 대한 강건성을 확보한다.

Figure 1: Total sales per day

실험 결과

연구 질문

• RQ1 추세 및 계절성 분해 기반으로 시계열을 군집화하는 것이 전역 모델링 대비 매출 예측 정확도를 향상시키는가?
• RQ2 Tweedie 손실 함수의 사용이 영업 이론적, 비대칭적인 매출 데이터에서 모델 성능을 향상시키는가?
• RQ3 제안된 분해 기반 군집화 전략은 분해 없음 또는 다른 손실 함수를 사용한 모델과 비교해 어떻게 성능을 내는가?
• RQ4 비재귀적 예측은 다단계 예측 기간 동안 오차 누적 문제를 어느 정도 완화하는가?

주요 결과

• 제안된 추세-계절성 분해 전략은 예측 정확도를 크게 향상시켰으며, 분해 없이 MSE를 사용할 경우 WRMSSE가 0.963에서, MSE만 사용할 경우 0.767로 감소하고, Tweedie 손실 함수를 사용할 경우 0.614로 감소하였다.
• 분해와 Tweedie 손실 함수를 모두 적용한 모델이 WRMSSE 0.614를 기록하여 선형 회귀(1.120), SVM(1.083), LSTM(0.802)을 모두 앞섰다.
• Tweedie 기반 손실 함수는 모든 설정에서 평균 제곱오차(MSE)보다 뛰어난 성능을 보였으며, 이는 비대칭적이고 영업 이론적인 매출 데이터에 적합함을 시사한다.
• 비재귀적 예측 전략은 28일 예측 윈도우 전반에 걸쳐 오차 누적 문제를 효과적으로 방지하여 안정적인 성능을 확보했다.
• 추세 및 계절성 성분 기반으로 시계열을 군집화함으로써 모든 제품을 동일하게 취급하는 것보다 더 정확하고 맞춤형 예측이 가능했다.
• LightGBM와 Prophet을 조합한 하이브리드 프레임워크는 강건성과 확장성을 입증하여 대규모 소매 예측 응용 분야에 적합한 것으로 나타났다.

Figure 2: Sales trends in 10 stores