[论文解读] Wielding Occam's razor: Fast and frugal retail forecasting

Fotios Petropoulos, Yael Grushka‐Cockayne+2 more|arXiv (Cornell University)|Feb 23, 2021

Forecasting Techniques and Applications被引用 5

一句话总结

本文提出了一种快速且简洁的预测框架，通过使用缩减版的指数平滑和ARIMA模型组合，在计算成本仅为原方法一小部分的情况下实现了高精度预测。通过仅从每类模型中选择最有效的模型，该方法在显著降低处理时间、金钱成本和碳排放的同时，保持或提升了预测精度与不确定性估计。实证表明，对于大型零售商，该方法每年可减少108,286吨二氧化碳当量（CO2e）的排放。

ABSTRACT

The algorithms available for retail forecasting have increased in complexity. Newer methods, such as machine learning, are inherently complex. The more traditional families of forecasting models, such as exponential smoothing and autoregressive integrated moving averages, have expanded to contain multiple possible forms and forecasting profiles. We question complexity in forecasting and the need to consider such large families of models. Our argument is that parsimoniously identifying suitable subsets of models will not decrease forecasting accuracy nor will it reduce the ability to estimate forecast uncertainty. We propose a framework that balances forecasting performance versus computational cost, resulting in the consideration of only a reduced set of models. We empirically demonstrate that a reduced set performs well. Finally, we translate computational benefits to monetary cost savings and environmental impact and discuss the implications of our results in the context of large retailers.

研究动机与目标

• 挑战零售预测中模型复杂度不断提升的趋势，评估更简单、计算高效的模型组合是否能够匹配或超越更大、更复杂的模型家族的性能。
• 评估在预测模型组合中减少模型数量是否会影响预测精度或不确定性估计。
• 量化在大规模零售预测应用中使用小型模型组合所节省的金钱成本与环境成本。
• 倡导将计算成本与预测附加值作为关键性能指标，与传统误差指标并列纳入评估体系。
• 提供实证证据表明，快速且简洁的预测不仅可行，而且在成本、速度与可持续性方面优于传统方法，尤其适用于大型零售商。

提出的方法

• 作者在近10万个真实零售时间序列上，将10种指数平滑模型（ETS）和10种ARIMA模型的缩减组合，与30种ETS和30种ARIMA模型的完整组合进行对比。
• 采用一种快速且简洁的选择启发式方法，为每个时间序列识别出最合适的模型，最大限度降低计算开销。
• 使用MAE、MAPE和MASE评估预测精度；通过预测区间覆盖率概率（PICP）和区间宽度评估不确定性。
• 研究利用基于云的计算（Google Cloud）来测量完整模型组合与缩减模型组合的实际运行时间和二氧化碳排放量。
• 基于云计算成本估算节省的金钱支出，将环境影响转换为等效的CO2e减排量及树木吸收等效量。
• 分析在多个真实世界数据集（包括Walmart和Kaggle的Walmart销售数据）上进行，以确保可扩展性与稳健性。

实验结果

研究问题

• RQ1 与更大、更复杂的模型家族相比，缩减版的预测模型组合是否能够保持或提升预测精度？
• RQ2 减少模型复杂度是否会影响通过预测区间进行的预测不确定性估计的准确性？
• RQ3 在大规模零售预测中，使用快速且简洁的模型组合，计算成本、金钱支出与碳排放可降低到何种程度？
• RQ4 在缩减模型组合中，低阶ARIMA模型与高阶ARIMA模型的性能相比如何？
• RQ5 通过优先考虑计算效率与成本效益来选择模型，是否能够提升预测附加值？

主要发现

• 10种指数平滑模型的缩减组合在平均精度上优于30种模型的完整ETS家族，且计算时间显著降低。
• 缩减模型组合在预测区间覆盖率与区间宽度方面表现更优，表明其不确定性估计优于完整模型集。
• 仅使用1个ARIMA模型（K=1）效果不佳；然而，10个ARIMA模型的小型组合在计算成本大幅降低的前提下，实现了具有竞争力的性能。
• 对于拥有400亿个SKU-邮政编码组合并每日进行预测的大型零售商，该缩减模型组合每年可减少108,286吨CO2e排放——相当于89,000辆汽车的年排放量，或相当于320万棵树的年吸收量。
• 缩减模型组合将处理时间减少了10倍以上，显著降低了云计算成本。
• 本研究证明，计算成本与环境影响应被视为预测模型选择中的关键性能指标，而不仅限于预测误差。