QUICK REVIEW
[论文解读] Comparing statistical and machine learning methods for time series forecasting in data-driven logistics -- A simulation study
Lena Schmid, Moritz Roidl|arXiv (Cornell University)|Mar 13, 2023
一句话总结
本模拟研究比较了物流领域中用于一步时间序列预测的统计方法（ARIMA、TBATS）与机器学习方法（随机森林、XGBoost）的性能。基于具有不同复杂度的合成数据，研究发现，在非线性或受跳跃影响的场景下，机器学习方法（尤其是经过差分处理的数据）优于传统模型；而在线性或随机游走场景下，两类方法表现相近。
ABSTRACT
Many planning and decision activities in logistics and supply chain management are based on forecasts of multiple time dependent factors. Therefore, the quality of planning depends on the quality of the forecasts. We compare various forecasting methods in terms of out of the box forecasting performance on a broad set of simulated time series. We simulate various linear and non-linear time series and look at the one step forecast performance of statistical learning methods.
研究动机与目标
- 评估并比较统计方法与机器学习方法在物流相关时间序列中的即插即用预测性能。
- 研究不同数据生成过程（线性、非线性，以及含跳跃或随机游走的场景）对预测准确率的影响。
- 评估数据预处理（特别是差分处理）对机器学习模型性能的影响。
- 为实践者提供基于数据特征与复杂度选择预测方法的经验指导。
- 识别机器学习方法在物流应用中显著优于传统时间序列模型的情境。
提出的方法
- 模拟了15种不同的时间序列数据生成过程，包括AR、BL、SAR、NAR、NMA、STAR和TAR模型，涵盖有无附加复杂性的场景。
- 应用了四种预测方法：(季节性) ARIMA、TBATS、随机森林和XGBoost，所有方法均采用一步预测。
- 采用滑动窗口方法，窗口大小为8，用于训练与预测，确保各类方法的评估具有一致性。
- 使用均方误差（MSE）评估性能，覆盖多个样本大小（100至500），每种设置重复100次。
- 对机器学习模型应用数据差分处理，以评估其对非平稳或复杂场景下预测准确率的影响。
- 构建了全面的模拟框架，通过受控的数据结构隔离非线性、跳跃和随机噪声的影响。
实验结果
研究问题
- RQ1在哪些数据生成过程中，机器学习方法（随机森林、XGBoost）在一步预测中优于传统时间序列模型（ARIMA、TBATS）？
- RQ2数据差分如何影响树基机器学习模型在复杂时间序列场景下的预测性能？
- RQ3额外的复杂性（如复合泊松跳跃或随机游走）如何影响统计方法与机器学习方法的预测准确率？
- RQ4在何种条件下，时间序列模型的性能优于或匹配机器学习模型在合成物流相关时间序列中的表现？
- RQ5机器学习与统计模型之间的性能差距是否随时间序列长度与数据复杂度系统性变化？
主要发现
- 在具有复合泊松跳跃过程的场景中，经差分处理的随机森林在时间序列长度增至500时，表现优于所有其他方法。
- 对于含随机游走成分的数据，MSE值随时间序列长度增加而保持相对稳定或略有下降，且经差分处理的机器学习方法相比未差分版本表现出更优性能。
- 在线性与稳定场景（如AR、BL2）中，时间序列模型的性能略优或与机器学习方法相当，MSE差异极小。
- 在非线性场景（如NAR1、NAR2、STAR1、TAR1）中，机器学习方法表现不一：随机森林优于XGBoost，但两者在某些情况下仍逊于时间序列模型。
- 引入跳跃过程导致所有方法的MSE单调上升，时间序列长度为500时，MSE值超过2000，表明对结构突变高度敏感。
- 数据差分显著提升了机器学习模型在非线性和复杂场景下的性能，表明预处理对时间序列预测中机器学习的成功至关重要。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。