用于可解释需求预测的分层神经加性模型
机器学习
2024-04-08 v1 人机交互
摘要
需求预测是众多商业决策（从库存管理到战略设施规划）的关键基础。虽然机器学习（ML）方法提供了准确性提升，但其可解释性和接受度却明显不足。为解决这一困境，我们引入了用于时间序列的分层神经加性模型（HNAM）。HNAM在神经加性模型（NAM）的基础上进行了扩展，引入了一个具有水平分量和交互协变量分量的时间序列特定加性模型。协变量交互仅允许根据用户指定的交互层次进行。例如，工作日效应可以独立于其他协变量进行估计，而假日效应可能取决于工作日，额外的促销效应可能取决于交互层次中较低的前两个协变量。因此，HNAM产生了一个直观的预测界面，分析人员可以观察到每个已知协变量的贡献。我们在真实零售数据上广泛评估了所提出的方法，并将其性能与其他最先进的机器学习和统计模型进行了基准测试。结果表明，HNAM在提供合理解释的同时，具有竞争力的预测性能。
引用
@article{arxiv.2404.04070,
title = {Hierarchical Neural Additive Models for Interpretable Demand Forecasts},
author = {Leif Feddersen and Catherine Cleophas},
journal= {arXiv preprint arXiv:2404.04070},
year = {2024}
}