[论文解读] Machine learning applications in time series hierarchical forecasting

Mahdi Abolghasemi, Rob J. Hyndman+2 more|arXiv (Cornell University)|Dec 1, 2019

Forecasting Techniques and Applications参考文献 28被引用 14

一句话总结

本文提出了一种基于机器学习（ML）的动态分解方法，用于供应链中的分层时间序列预测，采用XGBoost、ANN和SVR从中间层预测中推断底层销售比例。该方法显著优于传统统计模型，在促销需求场景下，XGBoost在底层实现了最佳准确度，且ML模型在所有层级上均持续优于BU和COM-WLS模型。

ABSTRACT

Hierarchical forecasting (HF) is needed in many situations in the supply chain (SC) because managers often need different levels of forecasts at different levels of SC to make a decision. Top-Down (TD), Bottom-Up (BU) and Optimal Combination (COM) are common HF models. These approaches are static and often ignore the dynamics of the series while disaggregating them. Consequently, they may fail to perform well if the investigated group of time series are subject to large changes such as during the periods of promotional sales. We address the HF problem of predicting real-world sales time series that are highly impacted by promotion. We use three machine learning (ML) models to capture sales variations over time. Artificial neural networks (ANN), extreme gradient boosting (XGboost), and support vector regression (SVR) algorithms are used to estimate the proportions of lower-level time series from the upper level. We perform an in-depth analysis of 61 groups of time series with different volatilities and show that ML models are competitive and outperform some well-established models in the literature.

研究动机与目标

• 为解决静态分层预测模型（如自上而下、自下而上、最优组合）在捕捉促销引起的动态需求变化方面的局限性。
• 探究机器学习模型是否可通过从上层预测中学习随时间变化的底层序列比例，从而提升分层时间序列中分解的准确性。
• 在因促销导致高波动性的实际FMCG销售数据集中，评估ML模型（XGBoost、ANN、SVR）与成熟统计模型（如COM-WLS、BU）的性能表现。
• 展示结合ML的中层方法（MO）在分层预测中实现动态分配的高效性。

提出的方法

• 采用中层预测（MO）方法，即在两级供应链层级结构的中层生成预测。
• 将中层预测聚合至顶层，再通过训练有素的ML模型将结果分解至底层，以预测各底层序列所占比例。
• 训练三种机器学习模型——XGBoost、人工神经网络（ANN）和支持向量回归（SVR）——基于历史销售和促销特征，估算动态分解因子。
• 使用MAE和MASE指标，在分层结构的顶层、中层和底层对一、四、八步预测进行评估。
• 研究使用来自澳大利亚FMCG公司的实际数据集，包含61组时间序列，每组均因促销活动表现出不同程度的波动性。
• 统计基准包括自上而下（TD）、自下而上（BU）和最优组合（COM）模型，其中COM-WLS和COM-SHR为具体变体。

实验结果

研究问题

• RQ1 机器学习模型能否有效捕捉促销引起的分层时间序列预测中的动态需求变化？
• RQ2 基于ML的动态分解方法在性能上是否优于传统静态分层预测模型（如BU、TD、COM）？
• RQ3 采用ML驱动的中层方法进行比例分配，是否能提升底层预测的准确性，相比直接的自下而上预测？
• RQ4 在促销波动环境下，XGBoost、ANN和SVR三种机器学习模型中，哪一种在分层预测中实现最准确的分解？
• RQ5 在分层结构的不同层级上，ML模型与最先进统计模型之间是否存在显著的预测准确度差异？

主要发现

• XGBoost在底层实现了最高预测准确度，显著优于BU模型以及COM-WLS和COM-SHR统计基准。
• SVR在底层表现第二佳，展现出ML模型中的强劲性能，并在准确度上与统计模型具有竞争力。
• DHF-ANN（基于ANN的动态分层预测）在底层生成了具有竞争力的预测结果，优于BU模型，并接近COM-WLS和COM-SHR的性能。
• TD和TDFP模型在顶层生成了最佳预测结果，二者之间无显著差异，原因在于聚合过程降低了总销售额的变异性。
• 在所有层级上，ML模型与最先进统计模型之间存在统计显著差异（p < 0.05），尤其在底层表现更为明显。
• 尽管中层序列的需求模式与底层序列不同，BU模型在中层的表现与MO方法相当，二者在预测准确度上无显著差异。