[论文解读] Inter Time Series Sales Forecasting

Manisha Gahirwal|arXiv (Cornell University)|Mar 1, 2013

Time Series Analysis and Forecasting参考文献 3被引用 12

一句话总结

本文提出了一种新颖的跨时间序列预测方法，将销售数据分解为趋势、季节性和不规则成分，然后通过关联挖掘进行模型选择，实现在相似频率序列之间的最优模型迁移。该方法通过利用跨序列模型迁移，相较于Holt-Winters方法实现了更高的预测准确度，展示了通过分量建模和基于模式的模型复用提升预测性能的优势。

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

研究动机与目标

• 通过结合多个相关时间序列上的多种模型预测结果，提升销售预测的准确度。
• 探究某一时间序列的最优预测模型在频率模式相似的其他序列上是否可实现有效迁移。
• 将时间序列分解为趋势、季节性和不规则分量，以实现更精确的分量级预测。
• 评估关联挖掘在识别并复用跨相关时间序列中高性能模型方面的有效性。
• 证明跨序列模型迁移相比Holt-Winters等传统单模型方法能获得更优的预测性能。

提出的方法

• 使用经典分解技术将原始时间序列分解为趋势、季节性和不规则分量。
• 分别对各分解后的分量应用ARIMA和Holt-Winters等统计模型进行预测。
• 利用关联挖掘识别具有相似频率特征的时间序列之间模型性能的模式。
• 基于挖掘出的关联关系，将某一序列中表现最佳的模型迁移至具有相同频率模式的其他序列。
• 将预测的各分量重新组合，生成每个序列的最终销售预测。
• 通过标准误差指标将所提方法与Holt-Winters方法进行对比，评估性能。

实验结果

研究问题

• RQ1 在预测前将时间序列分解为趋势、季节性和不规则分量，是否能提升模型性能？
• RQ2 在频率模式相似的其他序列上，能否有效迁移某一时间序列中表现优异的预测模型？
• RQ3 关联挖掘是否能有效识别并复用跨相关时间序列中的最优模型？
• RQ4 所提出的跨时间序列预测方法在准确度上与Holt-Winters方法相比如何？
• RQ5 通过分量级预测与模型迁移，能否降低销售数据的整体预测误差？

主要发现

• 在测试的销售数据上，所提方法的预测准确度优于Holt-Winters方法。
• 基于频率模式相似性的模型迁移显著提升了预测性能，通过高效复用高性能模型实现。
• 分量级分解提升了预测精度，尤其在趋势和季节性分量上表现更优。
• 关联挖掘成功识别出具有相似频率特征的时间序列之间的相关模型迁移。
• 该方法在具有不同季节性和趋势水平的多样化销售时间序列中表现出良好的鲁棒性。
• 结果表明，通过分量分解实现的跨序列模型迁移是传统单序列预测的可行且有效的替代方案。