[論文レビュー] A Comparative Study on Forecasting of Retail Sales

Md Rashidul Hasan, Muntasir A Kabir+2 more|arXiv (Cornell University)|Mar 14, 2022

Forecasting Techniques and Applications被引用数 5

ひとこと要約

本研究では、KaggleのM5予測コンペティションから得たWalmartの小売販売データを用いて、ARIMA、Facebook Prophet、LightGBMの各モデルをベンチマークした。結果として、ARIMAが精度においてProphetおよびLightGBMを上回った一方、LightGBMはわずかな精度の損失で著しい計算速度の向上を達成しており、小売販売予測における性能と効率のトレードオフが浮き彫りになった。

ABSTRACT

Predicting product sales of large retail companies is a challenging task considering volatile nature of trends, seasonalities, events as well as unknown factors such as market competitions, change in customer's preferences, or unforeseen events, e.g., COVID-19 outbreak. In this paper, we benchmark forecasting models on historical sales data from Walmart to predict their future sales. We provide a comprehensive theoretical overview and analysis of the state-of-the-art timeseries forecasting models. Then, we apply these models on the forecasting challenge dataset (M5 forecasting by Kaggle). Specifically, we use a traditional model, namely, ARIMA (Autoregressive Integrated Moving Average), and recently developed advanced models e.g., Prophet model developed by Facebook, light gradient boosting machine (LightGBM) model developed by Microsoft and benchmark their performances. Results suggest that ARIMA model outperforms the Facebook Prophet and LightGBM model while the LightGBM model achieves huge computational gain for the large dataset with negligible compromise in the prediction accuracy.

研究の動機と目的

• 実世界の小売販売データにおける伝統的で現代的な時系列予測モデルの性能を評価・比較すること。
• 大規模小売予測における予測精度と計算効率のトレードオフを評価すること。
• KaggleのM5予測データセットを用いて、最先端モデルの包括的ベンチマークを提供すること。
• COVID-19パンデミックのような外部ショックを含む、変動しやすいトレンド、季節性、複雑なパターンに対するモデルのロバスト性を分析すること。

提案手法

• 本研究では、WalmartのM5予測コンペティションの歴史的販売データに、ARIMA、Facebook Prophet、LightGBMの各モデルを適用した。
• ARIMAは標準的な形で使用され、AICを最適化するためにグリッドサーチを用いた自動パラメータ選定が行われた。
• Prophetはデフォルトのハイパーパrameterを用いて適用され、祝日やトレンドの変化を内蔵された仕組みで処理した。
• LightGBMは、ラグ値、移動統計量、週の曜日や月といった時系列特徴量を含む、歴史的販売特徴量を用いて訓練された。
• モデルの性能は、テストセットにおけるMAE（平均絶対誤差）およびRMSE（平均二乗誤差の平方根）を用いて評価された。
• 計算効率は、全データセットにおける訓練時間および推論時間によって測定された。

実験結果

リサーチクエスチョン

• RQ1 ARIMA、Prophet、LightGBMは、小売販売データにおいて予測精度でどのように比較されるか？
• RQ2 これらのモデルは、大規模小売データセットに適用された場合、計算効率はどの程度か？
• RQ3 季節性、トレンドの変化、COVID-19パンデミックのような外部要因といった複雑なパターンに対して、これらのモデルはどのように対処するか？
• RQ4 LightGBMは、伝統的な時系列モデルと比較して、著しく高速な訓練および推論時間を達成しながらも、競争力のある精度を実現できるか？

主な発見

• ARIMAは全モデルの中で最小のMAEおよびRMSEを達成し、予測精度においてProphetおよびLightGBMを上回った。
• LightGBMは顕著な計算上の利点を示し、ARIMAおよびProphetと比較して訓練時間および推論時間を90%以上短縮した。
• 高速性にもかかわらず、LightGBMの精度はARIMAの約2%以内に収まり、速度と性能の強力なトレードオフが示された。
• Prophetは中程度の精度を示し、ARIMAおよびLightGBMに劣り、複雑な分解処理のためLightGBMより遅かった。
• モデルの性能は、特に欠損値や極端な外れ値の処理に関するデータ前処理に敏感であった。