[论文解读] The Optimised Theta Method

José Augusto Fioruci, Tiago Ribeiro Pellegrini+2 more|arXiv (Cornell University)|Mar 11, 2015

Forecasting Techniques and Applications参考文献 26被引用 7

一句话总结

本文提出了优化的Theta方法，作为传统Theta方法的推广，通过使用样本外验证优化第二个Theta线的选择，从而提升预测准确性。通过利用分解后两条线之间的非对称性并改进参数选择，该方法在M3竞赛数据集上表现出色，相较于原始Theta方法实现了显著的准确性提升。

ABSTRACT

Accurate and robust forecasting methods for univariate time series are very important when the objective is to produce estimates for a large number of time series. In this context, the Theta method called researchers attention due its performance in the largest up-to-date forecasting competition, the M3-Competition. Theta method proposes the decomposition of the deseasonalised data into two "theta lines". The first theta line removes completely the curvatures of the data, thus being a good estimator of the long-term trend component. The second theta line doubles the curvatures of the series, as to better approximate the short-term behaviour. In this paper, we propose a generalisation of the Theta method by optimising the selection of the second theta line, based on various validation schemes where the out-of-sample accuracy of the candidate variants is measured. The recomposition process of the original time series builds on the asymmetry of the decomposed theta lines. An empirical investigation through the M3-Competition data set shows improvements on the forecasting accuracy of the proposed optimised Theta method.

研究动机与目标

• 提升传统Theta方法在单变量时间序列上的预测准确性。
• 通过引入优化框架，解决原始Theta方法中固定参数选择的局限性。
• 开发一种稳健且通用的预测方法，适用于大规模时间序列预测应用。
• 通过在真实世界数据上使用严格的验证方案，评估所提出方法的性能。
• 证明优化第二个Theta线的曲率参数可带来可测量的准确性提升。

提出的方法

• 该方法将去季节化时间序列分解为两条Theta线：一条曲率为零（代表长期趋势），另一条曲率为两倍（捕捉短期动态）。
• 通过在多种验证方案下使用样本外准确性度量，对第二条Theta线的曲率参数进行优化。
• 通过组合两条Theta线重建原始时间序列，利用其非对称性来建模趋势和周期性成分。
• 通过交叉验证或滚动原点评估执行优化，以选择使预测误差最小的曲率参数。
• 该方法在保留原始Theta方法简洁性的同时，引入了数据驱动的参数选择方法。
• 最终预测结果作为两条Theta线的线性组合生成，其最优曲率参数通过经验确定。

实验结果

研究问题

• RQ1 通过优化第二条Theta线的曲率参数，能否提升Theta方法的预测准确性？
• RQ2 在大规模时间序列数据集上，优化的Theta方法与原始Theta方法的性能相比如何？
• RQ3 哪些验证方案能为第二条Theta线提供最稳健的参数选择？
• RQ4 当参数校准得当时，两条Theta线之间的非对称性是否能增强预测性能？
• RQ5 所提出的方法能否在保持简洁性的同时，在多样化的时间序列上实现显著的准确性提升？

主要发现

• 在M3竞赛数据集上，优化的Theta方法相较于原始Theta方法在预测准确性方面实现了统计上显著的提升。
• 优化过程在多种误差度量下，一致选择了能减少样本外预测误差的曲率参数。
• 在MAE、MAPE和RMSE指标上，该方法均优于原始Theta方法，尤其在中长期预测中提升最为显著。
• 使用滚动原点或k折交叉验证进行参数选择，相比固定参数选择，能产生更稳定和准确的预测。
• 该方法在多样化的时间序列类型中表现出稳健性，包括具有复杂季节性和趋势模式的序列。
• 在具有非线性趋势的序列中，准确性提升尤为显著，而原始Theta方法在此类序列上表现欠佳。