在不损失可解释性的前提下提升精度:一种时间序列预测的机器学习方法
机器学习
2022-12-14 v1
摘要
在时间序列预测中,基于分解的算法将聚合数据拆分为有意义的组分,因此因其特别的可解释性优势而受到青睐。近期算法常将机器学习(以下简称ML)方法与分解结合以提升预测精度。然而,引入ML通常被认为不可避免地牺牲可解释性。此外,现有混合算法通常依赖带有统计假设的理论模型,且仅关注聚合预测的准确性,因而存在精度问题,尤其在组分估计上。针对上述问题,本研究探索在时间序列预测中在不损失可解释性的前提下提升精度的可能性。我们首先定量定义数据驱动预测的可解释性,并从可解释性视角系统回顾现有预测算法。据此,我们提出W-R算法,一种从新视角结合分解与ML的混合算法。具体而言,W-R算法以加权变体替代标准加性组合函数,并使用ML同时修正所有组分的估计。我们从数学上分析该算法的理论基础,并通过大量数值实验验证其性能。总体上,W-R算法优于所有基于分解的及ML基准。基于P50_QL,该算法在京东(JD.com)实际销售预测上精度相对提升8.76%,在公开电力负荷数据集上相对提升77.99%。本研究提供了结合统计与ML算法的创新视角,且京东已实施W-R算法以进行准确销售预测并指导其营销活动。
引用
@article{arxiv.2212.06620,
title = {Improving Accuracy Without Losing Interpretability: A ML Approach for Time Series Forecasting},
author = {Yiqi Sun and Zhengxin Shi and Jianshen Zhang and Yongzhi Qi and Hao Hu and Zuojun Max Shen},
journal= {arXiv preprint arXiv:2212.06620},
year = {2022}
}