[论文解读] Effective Bayesian Modeling of Groups of Related Count Time Series

Nicolas Chapados|arXiv (Cornell University)|May 15, 2014

Bayesian Methods and Mixture Models参考文献 33被引用 23

一句话总结

本文提出了一种分层贝叶斯状态空间模型 H-NBSS，用于预测具有共享结构（如季节性）的相关计数时间序列——这在供应链规划中很常见。通过在具有相似结构的时间序列之间共享统计效能，该模型采用负二项观测模型和潜在对数均值动态模型，利用拉普拉斯近似和MCMC方法实现高效的近似推断，从而在短序列或稀疏序列上实现更优的预测准确性，尤其得益于相关时间序列之间的信息共享。

ABSTRACT

Time series of counts arise in a variety of forecasting applications, for which traditional models are generally inappropriate. This paper introduces a hierarchical Bayesian formulation applicable to count time series that can easily account for explanatory variables and share statistical strength across groups of related time series. We derive an efficient approximate inference technique, and illustrate its performance on a number of datasets from supply chain planning.

研究动机与目标

• 解决经典时间序列模型在预测具有过多零值和过度离散的非负整数计数数据时的局限性。
• 克服如 Croston 方法等单变量模型在供应链运营中常见的短周期、间歇性需求序列上表现不佳的问题。
• 在相关时间序列（例如零售连锁店的多个门店）之间实现信息共享，以提升历史数据有限的序列的预测准确性。
• 开发一种可扩展的概率框架，整合解释变量并支持完整的预测分布，而不仅仅是点预测。
• 提供一种适用于实际部署的高效推断算法，可处理数百个相关时间序列，例如在库存管理系统中。

提出的方法

• 构建一个分层状态空间模型，其中潜在状态 $\eta_t$ 表示对数期望计数，观测分布为 $y_t \sim \mathrm{NB}(\exp \eta_t, \alpha)$，以处理过度离散问题。
• 通过线性预测器将解释变量（如促销活动、季节性）引入状态方程，实现对需求驱动因素的因果建模。
• 在相关时间序列组之间引入分层先验结构，实现参数（如季节效应、离散度）的部分池化，从而提升稀疏序列的估计性能。
• 使用拉普拉斯近似和MCMC方法实现对潜在状态和模型参数的高效后验推断，支持大规模时间序列组的可扩展计算。
• 通过负二项分布和对数线性状态动态模型自然地建模结构性零值（如某些日期无需求）。
• 在真实供应链数据集（RAID、PARTS、GLUE）上应用该模型，通过NLL、MSE和MAE指标与Croston方法及独立模型进行性能比较。

实验结果

研究问题

• RQ1 通过在相关序列之间共享信息，分层贝叶斯模型能否有效提升高零膨胀和过度离散计数时间序列的预测准确性？
• RQ2 在稀疏或间歇性需求序列中，引入解释变量和季节效应如何影响预测性能？
• RQ3 在分层结构中采用部分池化在多大程度上提升了历史数据有限的时间序列的估计可靠性？
• RQ4 对于此类模型，拉普拉斯近似与MCMC等近似推断方法在准确性和计算效率方面如何比较？
• RQ5 在真实供应链数据集上，该模型能否在预测分布准确性（如NLL）方面优于标准的单变量方法（如Croston方法）？

主要发现

• H-NBSS模型在所有数据集和预测时 Horizon 上均取得了最佳NLL表现，其中拉普拉斯近似在预测准确性上略胜于MCMC。
• 在RAID数据集中，分层模型将NLL从独立模型的79.04降至72.77，MSE从7.69降至4.13，显著提升了短序列预测性能。
• 对于仅有四个历史观测值的序列，分层模型成功推断出有意义的季节性模式，而独立模型则默认为恒定预测。
• 在RAID数据集上验证了模型在缺失历史数据情况下的回溯能力与季节趋势预测能力，即使数据极少亦表现良好。
• 在短序列或不完整序列上，分层结构带来的性能增益最为显著，信息共享使对共同时节效应等常见模式的学习更加可靠。
• 在PARTS数据集上，该模型在MSE和MAE指标上持续优于Croston方法，仅在均值预测的MSE上Croston略有优势，可能源于高波动性的不规则需求。