[논문 리뷰] NeuralProphet: Explainable Forecasting at Scale

Oskar Triebe, Hansika Hewamalage외 4명|arXiv (Cornell University)|2021. 11. 29.

Stock Market Forecasting Methods참고 문헌 7인용 수 5

한 줄 요약

NeuralProphet는 파이토치 기반의 하이브리드 예측 프레임워크로, 자동 회귀 및 공변수를 위한 신경망 모듈을 통합함으로써 페이스북 프로핏을 확장한 것으로, 확장성 있고 해석 가능하며 정확한 시계열 예측을 가능하게 한다. 이 프레임워크는 단기에서 중기 예측 수준에서 프로핏 대비 예측 정확도를 55–92% 향상시키며, 프로핏의 해석 가능성과 사용자 우호성은 유지한다.

ABSTRACT

We introduce NeuralProphet, a successor to Facebook Prophet, which set an industry standard for explainable, scalable, and user-friendly forecasting frameworks. With the proliferation of time series data, explainable forecasting remains a challenging task for business and operational decision making. Hybrid solutions are needed to bridge the gap between interpretable classical methods and scalable deep learning models. We view Prophet as a precursor to such a solution. However, Prophet lacks local context, which is essential for forecasting the near-term future and is challenging to extend due to its Stan backend. NeuralProphet is a hybrid forecasting framework based on PyTorch and trained with standard deep learning methods, making it easy for developers to extend the framework. Local context is introduced with auto-regression and covariate modules, which can be configured as classical linear regression or as Neural Networks. Otherwise, NeuralProphet retains the design philosophy of Prophet and provides the same basic model components. Our results demonstrate that NeuralProphet produces interpretable forecast components of equivalent or superior quality to Prophet on a set of generated time series. NeuralProphet outperforms Prophet on a diverse collection of real-world datasets. For short to medium-term forecasts, NeuralProphet improves forecast accuracy by 55 to 92 percent.

연구 동기 및 목표

• 산업 응용 분야에서 해석 가능한 전통적 예측 모델과 확장성 있는 딥러닝 방법 간의 격차를 해소하기 위해.
• 스탠 백엔드로 인해 국소적 컨텍스트 모델링과 확장성 측면에서 프로핏의 한계를 극복하기 위해.
• 선형 및 신경망 구성 요소를 모두 지원하는 사용자 우수성, 확장성, 해석 가능성을 갖춘 예측 프레임워크를 개발하기 위해.
• 사용자들이 최소한의 튜닝과 영역 전문 지식으로 정확하고 해석 가능하며 확장 가능한 예측을 구축할 수 있도록 하기 위해.
• 전통적인 시계열 모델과 딥러닝의 장점을 융합한 하이브리드 예측 모델에 대한 접근성을 일반화하기 위해.

제안 방법

• NeuralProphet는 파이토치 기반으로 구축되어 있으며, 미니배치 확률적 경사 하강법과 같은 표준 딥러닝 최적화 방법을 사용해 훈련할 수 있다.
• 자신의 핵심 구성 요소인 추세, 계절성, 공휴일 요소를 유지하면서 자동 회귀 및 공변수를 위한 신경망 모듈로 확장한다.
• 자기회귀 모듈은 지연 특징을 사용해 과거 관측치에 대한 의존성을 모델링하며, 선형 또는 다층 신경망으로 구성 가능하다.
• 공변수 모듈은 외부 변수를 선형 또는 신경망 변환을 통해 모델링할 수 있게 하여 비선형 관계를 가능하게 한다.
• 패널 데이터와 개별 시계열 모두에 대한 글로벌 모델링을 지원하며, 사용 용이성을 위해 자동으로 하이퍼파rameter 선택 기능을 제공한다.
• 예측을 추세, 계절성, 공변수 효과와 같은 덧셈형으로 분해함으로써 모델의 해석 가능성을 유지한다.

실험 결과

연구 질문

• RQ1 해석 가능한 전통적 모델의 장점과 딥러닝의 확장성 및 성능을 융합한 하이브리드 예측 프레임워크는 가능할 수 있는가?
• RQ2 자기회귀 및 신경망 모듈을 통한 국소적 컨텍스트 통합이 프로핏 대비 예측 정확도 향상에 얼마나 기여하는가?
• RQ3 자기회귀 모듈의 하이퍼파rameter 설정, 예를 들어 지연 수나 네트워크 아키텍처 선택에 따라 NeuralProphet의 성능이 얼마나 민감하게 영향을 받는가?
• RQ4 전문 사용자를 위한 고도의 커스터마이제이션을 가능하게 하면서도 사용자 우수성과 해석 가능성을 유지할 수 있는가?
• RQ5 NeuralProphet가 특히 단기에서 중기 예측에서 프로핏을 뛰어넘는 예측 시나리오는 어떤가?

주요 결과

• NeuralProphet는 다양한 실세계 데이터셋에서 단기에서 중기 예측 수준에서 프로핏 대비 예측 오차를 55–92% 감소시킨다.
• 에너지 데이터셋에서는 120지연 NeuralProphet 모델이 1단계 예측에 대해 MASE를 96% 감소시키고, 60단계 예측에 대해 66% 감소시킨다.
• 4층, 16차원 신경망으로 구성된 자기회귀 모듈은 15단계 및 60단계 예측에서 선형 모델을 능가하지만, 1단계나 3단계 예측에서는 그렇지 않다.
• 강한 시간적 의존성이 있는 데이터셋, 특히 에너지 및 산업 응용 분야에서는 120지연 모델이 성능을 크게 향상시킨다.
• NeuralProphet의 성능은 하이퍼파rameter 설정에 대해 매우 강건하며, 분석 실험에서 지연 수나 네트워크 깊이의 변화에 대해 최소한의 민감도를 보인다.
• 강한 계절성과 약한 국소적 컨텍스트를 보이는 인간 활동 데이터의 경우, 단기 예측에서는 선형 모델이 신경망 모델보다 우수하지만, 장기 예측에서는 신경망 모델이 뛰어난 성능을 보인다.