[论文解读] Demand Forecasting using Long Short-Term Memory Neural Networks

Marta Golabek, Robin Senge+1 more|arXiv (Cornell University)|Aug 19, 2020

Time Series Analysis and Forecasting参考文献 15被引用 7

一句话总结

本文评估了长短期记忆（LSTM）网络在电子零售生鲜商品多步需求预测中的应用，采用单变量和多变量模型对100种快速消费品进行训练。多变量LSTM在食品类产品的预测中优于基准模型，在饮料类产品的预测中与多数基准模型持平或更优，表明尽管数据有限且难以捕捉替代性/互补性效应，LSTM在产品级需求预测中仍具有很强的适用性。

ABSTRACT

In this paper we investigate to what extent long short-term memory neural networks (LSTMs) are suitable for demand forecasting in the e-grocery retail sector. For this purpose, univariate as well as multivariate LSTM-based models were developed and tested for 100 fast-moving consumer goods in the context of a master's thesis. On average, the developed models showed better results for food products than the comparative models from both statistical and machine learning families. Solely in the area of beverages random forest and linear regression achieved slightly better results. This outcome suggests that LSTMs can be used for demand forecasting at product level. The performance of the models presented here goes beyond the current state of research, as can be seen from the evaluations based on a data set that unfortunately has not been publicly available to date.

研究动机与目标

• 评估LSTM在电子零售生鲜商品产品级需求预测中的适用性。
• 将单变量和多变量LSTM模型与统计模型及机器学习基准进行比较。
• 研究在相关时间序列上进行预训练以及对多个产品并行预测的影响。
• 评估外生变量（如价格、星期几和门店营业状态）对提升预测准确率的作用。
• 确定LSTM在时间跨度有限的真实电子零售数据中是否能超越现有模型。

提出的方法

• 基于历史需求和外生特征（如星期几、价格和门店营业状态）开发单变量和多变量LSTM模型。
• 通过超参数调优优化每个产品的网络架构（层数和神经元数），以反映产品特有的复杂性。
• 在来自不同仓库、斯皮尔曼等级相关系数中等至较强的关联时间序列上进行预训练，以提升泛化能力。
• 实施对多个产品的并行预测，以学习替代性和互补性关系。
• 使用多步预测的mMAPE评估模型性能，并通过箱线图和误差分布进行对比分析。
• 由于数据限制，采用为期两个月的评估窗口，重点聚焦于整个工作周的多步预测。

实验结果

研究问题

• RQ1 多变量LSTM是否能在电子零售需求预测中优于传统统计模型和机器学习基准？
• RQ2 在不同仓库的相关时间序列上进行预训练是否能提升LSTM在数据有限情况下的性能？
• RQ3 对多个产品进行并行预测是否能利用产品间的替代性和互补性关系以提升预测准确率？
• RQ4 外生变量（如价格和门店营业状态）对LSTM预测性能有何影响？
• RQ5 模型架构在不同产品间差异程度如何？产品特定的超参数调优是否能提升结果？

主要发现

• 多变量LSTM模型在食品类产品的平均表现优于五个基准模型，表明其在该类别中具有很强的适用性。
• 在饮料类中，多变量LSTM仅在整体mMAPE上被线性回归和随机森林超越，但仍优于其余五个基准中的三个。
• 在24种饮料产品中，LSTM在11种产品的预测中达到最佳表现，约占测试产品的45%。
• 箱线图分析显示，无论在食品还是饮料类别中，LSTM模型的误差中位数均低于所有基准模型。
• 模型架构在层数和神经元数方面在不同产品间存在显著差异，表明产品特定的超参数调优具有优势。
• 在本数据集中，跨相关时间序列的预训练并未提升性能，尽管其在时间序列更短或更稀疏的场景中可能有益。