机器学习在时间序列层次预测中的应用
机器学习
2019-12-03 v1 机器学习
摘要
供应链（SC）中许多情境都需要层次预测（HF），因为管理者常需在供应链不同层级上获取不同层级的预测以制定决策。自顶向下（TD）、自底向上（BU）和最优组合（COM）是常见的 HF 模型。这些方法为静态方法，且在分解序列时往往忽略序列的动态性。因此，若所研究的时间序列组经历大幅变化（如促销期），它们可能表现不佳。我们解决受促销严重影响的真实世界销售时间序列的预测 HF 问题。我们使用三种机器学习（ML）模型捕捉随时间的销售变化。采用人工神经网络（ANN）、极端梯度提升（XGBoost）和支持向量回归（SVR）算法从上层估计下层时间序列的比例。我们对 61 组具有不同波动性的时间序列进行深入分析，表明 ML 模型具有竞争力，并优于文献中一些既有的成熟模型。
引用
@article{arxiv.1912.00370,
title = {Machine learning applications in time series hierarchical forecasting},
author = {Mahdi Abolghasemi and Rob J Hyndman and Garth Tarr and Christoph Bergmeir},
journal= {arXiv preprint arXiv:1912.00370},
year = {2019}
}