[논문 리뷰] Inter Time Series Sales Forecasting

Manisha Gahirwal|arXiv (Cornell University)|2013. 03. 01.

Time Series Analysis and Forecasting참고 문헌 3인용 수 12

한 줄 요약

이 논문은 판매 데이터를 추세, 계절성, 비정상 성분으로 분해한 후, 유사 빈도의 시계열 간 최적의 모델을 이동시키기 위해 연관 규칙 탐색을 활용하는 새로운 상시계열 예측 방법을 제안한다. 이 방법은 단일 모델 접근 방식인 Holt-Winters보다 우수한 성능을 보이며, 구성요소별 모델링과 패턴 기반 모델 재사용을 통해 예측 정확도를 향상시킨다.

ABSTRACT

Combining forecast from different models has shown to perform better than single forecast in most time series. To improve the quality of forecast we can go for combining forecast. We study the effect of decomposing a series into multiple components and performing forecasts on each component separately... The original series is decomposed into trend, seasonality and an irregular component for each series. The statistical methods such as ARIMA, Holt-Winter have been used to forecast these components. In this paper we focus on how the best models of one series can be applied to similar frequency pattern series for forecasting using association mining. The proposed method forecast values has been compared with Holt Winter method and shown that the results are better than Holt Winter method

연구 동기 및 목표

• 유사한 시계열 간 다수의 모델 예측을 조합하여 판매 예측 정확도를 향상시키기 위해.
• 일부 시계열에 대해 최적의 예측 모델이 유사한 주기 패턴을 가진 다른 시계열로 이동 가능한지 조사하기 위해.
• 시계열을 추세, 계절성 및 비정상 성분으로 분해하여 구성요소별로 정밀한 예측을 수행하기 위해.
• 연관 규칙 탐색이 유사한 시계열 간 높은 성능을 보이는 모델을 효과적으로 식별하고 재사용하는 데 기여하는지 평가하기 위해.
• 상시계열 간 모델 이동이 Holt-Winters와 같은 전통적인 단일 모델 접근 방식보다 더 나은 예측 성능을 낼 수 있는지 보여주기 위해.

제안 방법

• 기존 시계열은 고전적인 분해 기법을 사용하여 추세, 계절성 및 비정상 성분으로 분해된다.
• ARIMA 및 Holt-Winters와 같은 통계 모델이 각각 분해된 성분에 대해 별도로 적용되어 예측된다.
• 유사한 주기 특성을 가진 시계열 간 모델 성능 패턴을 식별하기 위해 연관 규칙 탐색이 사용된다.
• 한 시계열에서 가장 높은 성능를 보인 모델이 탐색된 연관성 기반으로 동일한 주기 패턴을 가진 다른 시계열로 이동된다.
• 예측된 성분들이 재결합되어 각 시계열에 대한 최종 판매 예측이 도출된다.
• 성능 평가는 표준 오차 지표를 사용하여 제안된 방법과 Holt-Winters 방법 간에 비교된다.

실험 결과

연구 질문

• RQ1 예측하기 전에 시계열을 추세, 계절성 및 비정상 성분으로 분해함으로써 성능 향상을 이룰 수 있는가?
• RQ2 유사한 주기 패턴을 가진 다른 시계열로 한 시계열의 높은 성능 예측 모델을 얼마나 효과적으로 이동시킬 수 있는가?
• RQ3 연관 규칙 탐색이 유사한 상관관계를 가진 시계열 간 최적의 모델을 효과적으로 식별하고 재사용하는 데 기여하는가?
• RQ4 제안된 상시계열 예측 방법은 Holt-Winters 방법에 비해 정확도 면에서 어떻게 비교되는가?
• RQ5 구성요소별 예측과 모델 이동을 통해 전체 판매 데이터의 예측 오차를 줄일 수 있는가?

주요 결과

• 제안된 방법은 테스트된 판매 데이터에서 Holt-Winters 방법보다 더 높은 예측 정확도를 달성했다.
• 주기 패턴 유사성 기반 모델 이동은 높은 성능 모델의 효과적 재사용을 통해 예측 성능을 크게 향상시켰다.
• 구성요소별 분해는 특히 추세 및 계절성 성분의 정밀도 향상에 기여했다.
• 연관 규칙 탐색은 주기 특성이 유사한 시계열 간 관련 모델 이동을 성공적으로 식별했다.
• 다양한 수준의 계절성과 추세를 가진 다양한 판매 시계열에 대해 이 방법은 뛰어난 강건성을 보였다.
• 결과적으로 구성요소 분해를 통한 상시계열 간 모델 이동은 전통적인 단일 시계열 예측 방식에 비해 실현 가능하고 효과적인 대안임을 시사한다.