[論文レビュー] Demand Forecasting using Long Short-Term Memory Neural Networks

Marta Golabek, Robin Senge+1 more|arXiv (Cornell University)|Aug 19, 2020

Time Series Analysis and Forecasting参考文献 15被引用数 7

ひとこと要約

本稿では、100種の高速回転消費財を対象に、1変量および多変量モデルを用いてe-グルメ小売における複数ステップ需要予測に長短期記憶（LSTM）ネットワークを評価している。多変量LSTMは食品製品においてベンチマークモデルを上回り、飲料製品においてはほとんどがベンチマークと同等またはそれを上回った。これは、限られたデータと代替的・補完的効果の捉えにくさという課題がある中でも、LSTMが製品レベルの需要予測に非常に適していることを示している。

ABSTRACT

In this paper we investigate to what extent long short-term memory neural networks (LSTMs) are suitable for demand forecasting in the e-grocery retail sector. For this purpose, univariate as well as multivariate LSTM-based models were developed and tested for 100 fast-moving consumer goods in the context of a master's thesis. On average, the developed models showed better results for food products than the comparative models from both statistical and machine learning families. Solely in the area of beverages random forest and linear regression achieved slightly better results. This outcome suggests that LSTMs can be used for demand forecasting at product level. The performance of the models presented here goes beyond the current state of research, as can be seen from the evaluations based on a data set that unfortunately has not been publicly available to date.

研究の動機と目的

• e-グルメ小売における製品レベルの需要予測にLSTMの適性を評価すること。
• 統計的および機械学習のベンチマークと比較して、1変量および多変量LSTMモデルの性能を評価すること。
• 関連する時系列データを用いた事前学習と、複数製品の並列予測が与える影響を調査すること。
• 価格、平日、店舗営業状況などの外生変数が予測精度を向上させる役割を評価すること。
• 限られた時系列スコープを持つ実世界のe-グルメデータにおいて、LSTMが既存のモデルを上回れるかどうかを特定すること。

提案手法

• 歴史的需要と、平日、価格、店舗営業状況などの外生特徴を用いて、1変量および多変量LSTMモデルを開発した。
• 製品ごとの複雑さを反映するために、各製品ごとにネットワーク構造（層の数とニューロン数）をハイパーパrameterチューニングで最適化した。
• 一般化を向上させるために、中程度から強いスピアマン相関を示す異なる倉庫の関連時系列を用いて事前学習を実施した。
• 複数製品の並列予測を実装し、代替的・補完的関係を学習するようにした。
• 複数の先行予測期間を想定し、mMAPEを用いてモデルを評価し、ボックスプロットと誤差分布を用いて性能を比較した。
• データ制限のため、2か月間の評価ウィンドウを設定し、1週間分の業務日における複数ステップ予測に焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 多変量LSTMは、e-グルメ需要予測において、従来の統計的および機械学習モデルを上回ることができるか？
• RQ2 異なる倉庫の関連時系列を用いた事前学習は、限られたデータにおけるLSTM性能を向上させるか？
• RQ3 複数製品の並列予測は、代替的および補完的製品関係を活用して予測精度を向上させることができるか？
• RQ4 価格や店舗営業状況などの外生変数は、LSTM予測性能にどのような影響を与えるか？
• RQ5 モデルアーキテクチャは製品ごとにどのように変化するのか？製品固有のチューニングは結果を改善するのか？

主な発見

• 食品製品に関しては、多変量LSTMモデルが5つのベンチマークモデルよりも平均的に優れた性能を示し、この分野における強い適性を示している。
• 飲料製品に関しては、線形回帰とランダムフォレストを除き、多変量LSTMは5つのベンチマークのうち3つを上回った。
• 24種の飲料製品のうち、11品目でLSTMモデルが最高の個別製品予測を達成し、テストされた製品の約45％を占めた。
• ボックスプロット分析により、食品および飲料の両分野において、LSTMモデルの製品間中央誤差は、すべてのベンチマークモデルよりも低かった。
• 層数およびニューロン数の観点から、製品ごとにモデルアーキテクチャの差が顕著に見られたことから、製品固有のハイパーパrameterチューニングが有益であると考えられる。
• このデータセットでは、関連時系列を用いた事前学習が性能向上に寄与しなかったが、時系列が短いか疎な状況では有効である可能性がある。