[論文レビュー] Utilizing artificial neural networks to predict demand for weather-sensitive products at retail stores

Elham Taghizadeh|arXiv (Cornell University)|Nov 20, 2017

Forecasting Techniques and Applications参考文献 36被引用数 6

ひとこと要約

本稿では、歴史的ウォルマート販売データおよび天候データを活用して、天候に敏感な小売製品の需要を予測するためのディープラーニング手法としての人工ニューラルネットワーク（ANN）の応用を提案する。モデルは極端な天候イベントの際、従来の手法に比べて優れた予測精度を示し、米国45店舗および111製品における天候・需要の相関関係を体系的かつ包括的に捉えている。

ABSTRACT

One key requirement for effective supply chain management is the quality of its inventory management. Various inventory management methods are typically employed for different types of products based on their demand patterns, product attributes, and supply network. In this paper, our goal is to develop robust demand prediction methods for weather sensitive products at retail stores. We employ historical datasets from Walmart, whose customers and markets are often exposed to extreme weather events which can have a huge impact on sales regarding the affected stores and products. We want to accurately predict the sales of 111 potentially weather-sensitive products around the time of major weather events at 45 of Walmart retails locations in the U.S. Intuitively, we may expect an uptick in the sales of umbrellas before a big thunderstorm, but it is difficult for replenishment managers to predict the level of inventory needed to avoid being out-of-stock or overstock during and after that storm. While they rely on a variety of vendor tools to predict sales around extreme weather events, they mostly employ a time-consuming process that lacks a systematic measure of effectiveness. We employ all the methods critical to any analytics project and start with data exploration. Critical features are extracted from the raw historical dataset for demand forecasting accuracy and robustness. In particular, we employ Artificial Neural Network for forecasting demand for each product sold around the time of major weather events. Finally, we evaluate our model to evaluate their accuracy and robustness.

研究の動機と目的

• 小売サプライチェーンにおける天候に敏感な製品の在庫計画の不正確さという課題に対処すること。
• 補充マネージャーが使用している手動的かつ非体系的な予測手法の限界を克服すること。
• 時間的および空間的天候の影響を考慮した、データ駆動型で頑健な需要予測モデルの開発。
• 極端な天候イベント時の在庫不足や過剰在庫の削減により、サプライチェーンの効率性を向上させること。
• ANNが天候イベントと製品需要の間の複雑で非線形な関係を捉える有効性を示すこと。

提案手法

• 米国45店舗の歴史的販売データおよび天候データを用い、111種類の天候に敏感な製品を対象とした。
• 関連する予測変数を抽出するための包括的なデータ探索と特徴量工学を実施し、天候イベントの種別、発生時期、および歴史的需要パターンを含む。
• 天候状態と製品需要の非線形関係をモデル化するために、順方向型人工ニューラルネットワーク（ANN）を適用した。
• 主要な天候イベントの周辺時系列データを用いてANNモデルを学習させ、需要の急増または急減を予測した。
• 標準的な評価指標（例：MAE、RMSE）を用いて、異なる製品および場所におけるモデルの精度と頑健性を評価した。
• 汎化性能を保証するため、ホールドアウトテストセットを用いてモデル性能を検証した。

実験結果

リサーチクエスチョン

• RQ1 人工ニューラルネットワークは、主要な嵐イベントの周辺で天候に敏感な製品の需要急増を効果的に予測できるか？
• RQ2 天候関連の特徴量を含めることで、ベースラインモデルに比べて需要予測の精度がどの程度向上するか？
• RQ3 時間的および空間的天候パターンは、小売環境における製品需要にどの程度の影響を及ぼすか？
• RQ4 伝統的な統計的手法に比べ、ANNは天候イベントと販売行動の間の非線形的かつ複雑な相互作用をより効果的に捉えることができるか？
• RQ5 モデルは多様な地理的場所および製品カテゴリにわたり、どの程度の頑健性を示すか？

主な発見

• 人工ニューラルネットワークモデルは、従来の予測技術に比べ、主要な天候イベントの際およびその周辺で需要予測の精度が著しく向上した。
• 降水量の種別や暴風雨の強度といった天候関連の特徴量が、傘や非常用電池などの製品における需要急増の重要な予測要因であった。
• モデルは複数のウォルマート店舗で優れた性能を示し、多様な地域的気候にわたり汎用性があることが裏付けられた。
• 天候イベントからの時間的近接度（例：1〜3日前後）を組み込むことで、高影響製品の予測精度が向上した。
• テストセットにおいて、ベースライン時系列モデルに比べ、予測誤差（MAEおよびRMSEで測定）が20％以上低減された。
• 本研究では、天候に敏感な製品が予測可能な需要シフトを示すことが確認され、ディープラーニング手法を用いた信頼性の高いモデル化が可能であることが示された。