[论文解读] A flexible forecasting model for production systems

Reza Hosseini, Kaixu Yang+2 more|arXiv (Cornell University)|May 3, 2021

Advanced Statistical Process Monitoring参考文献 14被引用 5

一句话总结

本文介绍了 Silverkite，一种适用于生产系统的灵活、可解释且可扩展的预测框架，通过解耦条件均值与波动率建模，支持多尺度季节性、事件/节假日建模、变化点检测以及通过正则化回归实现的可定制目标，从而在实际应用中实现了高精度、强鲁棒性和高效率。

ABSTRACT

This paper discusses desirable properties of forecasting models in production systems. It then develops a family of models which are designed to satisfy these properties: highly customizable to capture complex patterns; accommodates a large variety of objectives; has interpretable components; produces robust results; has automatic changepoint detection for trend and seasonality; and runs fast -- making it a good choice for reliable and scalable production systems. The model allows for seasonality at various time scales, events/holidays, and change points in trend and seasonality. The volatility is fitted separately to maintain flexibility and speed and is allowed to be a function of specified features.

研究动机与目标

• 解决现有预测框架在生产环境中难以同时兼顾灵活性、可解释性、鲁棒性和速度的问题。
• 实现对复杂时间序列模式（如多尺度季节性、趋势变化和事件驱动偏差）的准确预测。
• 通过可定制的损失函数和建模组件，支持多样化的业务目标（例如预测均值或峰值）。
• 通过无需事先知晓变化位置的自动变化点检测，实现对趋势和季节性变化的识别。
• 通过解耦均值与波动率建模，确保模型稳定性和计算效率，避免集成模型中常见的收敛与发散问题。

提出的方法

• 该框架将预测分为两个阶段：(1) 利用时间戳、事件和历史数据导出的基函数进行条件均值建模；(2) 对残差进行独立的波动率建模，以保持灵活性与速度。
• 采用两步正则化方法，结合 L1（Lasso）与 L2（Ridge）惩罚，实现模型系数的稀疏性、可解释性与稳定性估计。
• 通过一种新型基于正则化的算法实现变化点检测，能够识别随时间变化的趋势与季节性模式的偏移。
• 模型使用基函数变换，以可加且可解释的形式表示复杂的时间模式（如星期效应、节假日偏差）。
• 波动率被建模为外部特征（如星期几）的函数，并独立拟合，以实现灵活、快速且鲁棒的不确定性量化。
• 通过投影矩阵与迭代优化方法求解混合正则化问题，经变换后可利用标准 Lasso 求解器实现高效计算。

实验结果

研究问题

• RQ1 如何在保持生产系统中鲁棒性与速度的前提下，使预测模型兼具高度灵活性与可解释性？
• RQ2 统一框架是否能有效处理趋势与季节性中的多尺度季节性、不规则事件与变化点，同时不损害模型稳定性？
• RQ3 与集成模型相比，解耦均值与波动率建模在计算效率与收敛行为方面改善程度如何？
• RQ4 所提出的基于正则化的变化点检测算法在识别趋势与季节性偏移方面，相较于现有方法表现如何？
• RQ5 该框架在涉及均值预测与峰值检测等多样化目标的真实世界预测任务中的表现如何？

主要发现

• Silverkite 框架成功实现均值与波动率建模的解耦，相比易发散的集成模型，训练速度更快，预测更稳定。
• 基于正则化的变化点检测算法能有效识别趋势与季节性中的偏移，在具有复杂结构变化的真实数据中表现出色。
• 基函数的使用使得预测可被可解释地分解为趋势、季节性与事件效应等分量，增强了模型的透明度与可验证性。
• 通过支持分位数回归与定制损失函数的正则化回归，模型在预测均值或峰值等多样化目标时均实现了高精度。
• 实证评估表明，Silverkite 在精度与鲁棒性方面优于广泛使用的开源库，尤其在非线性模式与结构断裂场景中表现更优。
• 该框架在大规模预测任务中表现出高效的可扩展性，支持数千条时间序列且延迟极低，适用于企业级生产系统。