面向大规模层次结构工业需求的时间序列预测：稀疏性建模
机器学习
2024-07-04 v1 统计方法学
摘要
层次化时间序列预测（HTSF）是许多实际商业应用中重要问题，旨在同时预测彼此通过层次关系相关的多个时间序列。然而，现有方法未能解决许多大型企业需求预测应用中常见的两个重要挑战。首先，层次结构中许多时间序列具有高稀疏性，即包含大量零值。大多数HTSF方法未能处理跨层次的稀疏性差异。其次，这些方法在面对文献中未见的大规模实际层次结构时，扩展性不足。我们通过提出一种新型概率层次模型HAILS，解决上述挑战。该模型通过对稀疏和稠密时间序列采用不同分布假设进行自适应建模，并进行一致化，以满足层次约束，从而实现跨层次的准确且已校准的概率预测。我们通过评估真实世界的需求预测数据集表明HAILS的可扩展性和有效性。在一家大型化工制造公司部署HAILS进行产品需求预测（产品数超过一万）时，预测准确率显著提升8.5%，稀疏时间序列的提升幅度达23%。这种准确性和可扩展性的提升使HAILS成为改进商业规划和客户体验的有价值工具。
引用
@article{arxiv.2407.02657,
title = {Large Scale Hierarchical Industrial Demand Time-Series Forecasting incorporating Sparsity},
author = {Harshavardhan Kamarthi and Aditya B. Sasanur and Xinjie Tong and Xingyu Zhou and James Peters and Joe Czyzyk and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2407.02657},
year = {2024}
}
备注
Accepted at KDD 2024