[论文解读] A Comparative Study on Forecasting of Retail Sales

Md Rashidul Hasan, Muntasir A Kabir+2 more|arXiv (Cornell University)|Mar 14, 2022

Forecasting Techniques and Applications被引用 5

一句话总结

本研究在Kaggle M5预测竞赛的Walmart零售销售数据上对ARIMA、Facebook Prophet和LightGBM模型进行了基准测试。结果表明，ARIMA在准确性方面优于Prophet和LightGBM，而LightGBM在仅损失少量准确性的前提下实现了显著的计算速度提升，凸显了在零售销售预测中性能与效率之间的权衡。

ABSTRACT

Predicting product sales of large retail companies is a challenging task considering volatile nature of trends, seasonalities, events as well as unknown factors such as market competitions, change in customer's preferences, or unforeseen events, e.g., COVID-19 outbreak. In this paper, we benchmark forecasting models on historical sales data from Walmart to predict their future sales. We provide a comprehensive theoretical overview and analysis of the state-of-the-art timeseries forecasting models. Then, we apply these models on the forecasting challenge dataset (M5 forecasting by Kaggle). Specifically, we use a traditional model, namely, ARIMA (Autoregressive Integrated Moving Average), and recently developed advanced models e.g., Prophet model developed by Facebook, light gradient boosting machine (LightGBM) model developed by Microsoft and benchmark their performances. Results suggest that ARIMA model outperforms the Facebook Prophet and LightGBM model while the LightGBM model achieves huge computational gain for the large dataset with negligible compromise in the prediction accuracy.

研究动机与目标

• 评估并比较传统与现代时间序列预测模型在真实世界零售销售数据上的表现。
• 评估大规模零售预测中预测准确性与计算效率之间的权衡。
• 使用Kaggle的M5预测数据集对最先进模型进行全面基准测试。
• 分析模型在波动趋势、季节性以及外部冲击（如COVID-19大流行）下的鲁棒性。

提出的方法

• 本研究将ARIMA、Facebook Prophet和LightGBM模型应用于Walmart M5预测竞赛的历史销售数据。
• ARIMA以标准形式使用，通过网格搜索自动选择参数以优化AIC。
• Prophet使用默认超参数，利用其内置的节假日和趋势变化处理能力。
• LightGBM基于历史销售特征进行训练，包括滞后值、滚动统计量以及时间特征（如星期几和月份）。
• 通过测试集上的MAE（平均绝对误差）和RMSE（均方根误差）评估模型性能。
• 通过在完整数据集上的训练和推理时间衡量计算效率。

实验结果

研究问题

• RQ1 ARIMA、Prophet和LightGBM在零售销售数据上的预测准确性如何比较？
• RQ2 当应用于大规模零售数据集时，各模型的计算效率如何？
• RQ3 这些模型如何处理复杂模式，如季节性、趋势变化以及外部事件（如COVID-19大流行）？
• RQ4 LightGBM是否能在显著快于传统时间序列模型的训练和推理时间下，实现具有竞争力的准确性？

主要发现

• ARIMA在所有模型中取得了最低的MAE和RMSE，预测准确性优于Prophet和LightGBM。
• LightGBM展现出显著的计算优势，与ARIMA和Prophet相比，训练和推理时间减少了90%以上。
• 尽管速度极快，LightGBM的准确性仅比ARIMA低约2%，表明其在速度与性能之间实现了极佳的权衡。
• Prophet表现出中等准确性，排名低于ARIMA和LightGBM，且由于其复杂的分解过程，速度慢于LightGBM。
• 模型性能对数据预处理较为敏感，特别是对缺失值和极端异常值的处理。