用于时间序列预测的季节性混合池化：以托盘运输数据为例
机器学习
2020-12-03 v2 机器学习
应用统计
摘要
多重季节模式在时间序列预测中起着关键作用，尤其是对于季节性效应通常显著的商业时间序列。包括傅里叶分解、指数平滑和季节性自回归积分滑动平均（SARIMA）模型在内的先前方法未能反映季节模式中每个周期的不同特征。我们提出了一种混合分层季节性（MHS）模型。首先估计每个季节周期的中间参数，然后取中间参数的混合。这产生了一个自动学习每种季节性的相对重要性并处理它们之间相互作用的模型。该模型使用概率编程语言 Stan 实现，并在来自物流网络的托盘运输真实数据集上与三种现有模型进行了比较。与完全池化、傅里叶分解和 SARIMA 模型相比，我们的新模型在样本外预测误差（MAPE）和预测密度（ELPD）方面取得了显著改进。
引用
@article{arxiv.1908.05339,
title = {Mixed pooling of seasonality for time series forecasting: An application to pallet transport data},
author = {Hyunji Moon and Bomi Song and Hyeonseop Lee},
journal= {arXiv preprint arXiv:1908.05339},
year = {2020}
}