[논문 리뷰] Improving forecasting with sub-seasonal time series patterns

Xixi Li, Fotios Petropoulos외 1명|arXiv (Cornell University)|2021. 01. 04.

Forecasting Techniques and Applications참고 문헌 45인용 수 1

한 줄 요약

이 논문은 원본 시계열을 다수의 하위계절성 변형으로 분해하고, 각각을 고전적 모델(ETS/ARIMA)로 예측한 후 동일한 가중치로 예측치를 조합하는 간단하고 모델에 종속되지 않는 방법을 제안한다. 이 방법은 특히 높은 주파수에서 정확도를 크게 향상시키며, M1, M3, M4 및 실세계의 시간대별 부하 데이터에서 강력한 성과를 보였다.

ABSTRACT

Time series forecasting plays an increasingly important role in modern business decisions. In today's data-rich environment, people often aim to choose the optimal forecasting model for their data. However, identifying the optimal model often requires professional knowledge and experience, making accurate forecasting a challenging task. To mitigate the importance of model selection, we propose a simple and reliable algorithm and successfully improve the forecasting performance. Specifically, we construct multiple time series with different sub-seasons from the original time series. These derived series highlight different sub-seasonal patterns of the original series, making it possible for the forecasting methods to capture diverse patterns and components of the data. Subsequently, we make forecasts for these multiple series separately with classical statistical models (ETS or ARIMA). Finally, the forecasts of these multiple series are combined with equal weights. We evaluate our approach on the widely-used forecasting competition datasets (M1, M3, and M4), in terms of both point forecasts and prediction intervals. We observe improvements in performance compared with the benchmarks. Our approach is particularly suitable and robust for the datasets with higher frequencies. To demonstrate the practical value of our proposition, we showcase the performance improvements from our approach on hourly load data.

연구 동기 및 목표

• 시계열 예측에서 최적의 모델 선택 문제를 해결하되, 이는 종종 전문 지식과 경험을 요구한다.
• 단일 시계열 내 다양한 하위계절성 패턴을 활용함으로써 모델 선택에 대한 의존도를 줄인다.
• 특히 고주파 데이터에서 정확도와 신뢰성을 향상시키되, 모델 복잡도를 증가시키지 않는다.
• 시간대별 전기 부하 데이터에 대한 실세계 적용을 통해 실용성을 입증한다.
• 다양한 예측 시나리오에 적용 가능한 간단하고 일반화 가능한 방법을 제공한다.

제안 방법

• 원본 시계열에서 계절 주기를 이동시켜 다양한 주기적 패턴을 드러내는 다수의 하위계절성 시계열을 추출한다.
• 각 유도된 하위계절성 시계열에 대해 고전적 통계 모델(ETS 또는 ARIMA)을 개별적으로 적용하여 예측한다.
• 모든 하위계절성 시계열의 예측치를 동일한 가중치로 조합하여 최종 예측치를 산출한다.
• 표준 통계 모델과 단순 분해에만 의존함으로써 모델에 종속되지 않는 방법을 확보한다.
• M1, M3, M4 등 여러 데이터셋과 실세계 데이터에 동일한 예측 프레임워크를 적용하여 일관성과 재현 가능성을 확보한다.
• 점 예측과 예측 구간을 통해 접근법을 검증하고, 기존 기준 모델과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 원본 시계열을 다수의 하위계절성 변형으로 분해하는 것이 다양한 데이터셋에서 예측 정확도 향상에 기여하는가?
• RQ2 제안된 방법은 점 예측과 예측 구간 측면에서 기준 모델 대비 어떻게 성능을 내는가?
• RQ3 이 방법은 시간대별 부하 데이터와 같은 고주파 시계열에서 특별한 이점을 보이는가?
• RQ4 성능 향상은 M1, M3, M4 예측 경진대회 및 다양한 데이터 유형 전반에서 견고한가?
• RQ5 하위계절성 시계열에서 유도된 예측치를 단순한 동일 가중치 조합으로 조합하는 것이 더 복잡한 모델 선택 전략을 능가하는가?

주요 결과

• 제안된 방법은 M1, M3, M4 예측 경진대회 데이터셋에서 기준 모델 대비 통계적으로 유의미한 정확도 향상을 달성한다.
• 성능 향상은 특히 시간대별 전기 부하 데이터와 같은 고주파 시계열에서 두드러지며, 여기서 하위계절성 패턴이 더 복잡하고 다양하기 때문이다.
• 점 예측과 예측 구간 커버리지 모두 일관되게 향상되어 신뢰성 향상이 확인된다.
• 하위계절성 시계열의 예측치를 동일 가중치로 조합한 방식이, 튜닝 없이도 개별 모델 선택 전략을 능가한다.
• 이 방법은 다양한 데이터 유형과 주파수 전반에서 견고성을 보이며, 실세계 예측 시나리오에 넓은 적용 가능성을 시사한다.
• 고급 모델링 전문 지식이 필요 없어, 깊은 통계 지식이 없는 실무자들에게도 접근하기 용이하다.