M5時間序列預測點預測競賽的發現和總結分析

時間序列預測是一個重要的領域，這裏介紹最新的M5 Accuracy Competition的總結分析。

M competitions

M Competitions迄今共舉辦了5界，主要目的是透過真實數據評估現有演算法和最新演算法。比賽相關文章主要發表在International Journal of Forecasting雜誌上。

數據集

M5 Accuracy Competition數據集來自於沃爾瑪的三個州，共涉及10個門店、3大類商品、3049個產品，總共42840條時間序列。

時間序列根據物件類別等級的不同，可以細分成12個層級。

時間序列數據從2011-01-29到2016-06-19，約5年半的天粒度數據，預測任務是未來28天的銷量。

除了基礎的天粒度銷量數據外，還有額外的輔助資訊，如行事曆資訊、價格資訊、節假日資訊、促銷資訊。

Baseline

Baseline演算法包括Naive演算法、sNaive演算法、Exponential Smoothing演算法等。

在基準演算法中，Exponential Smoothing演算法的預測效能最好。

Results

演算法最佳化的提升天花板

相比Exponential Smoothing基準演算法，Winner演算法的預測效能提升了 22.4% ，而在M3和M4中，Winner演算法的預測效能提升不到10%

粒度越細，預測誤差越大，預測效能的提升越少：最粗粒度的預測提升達40%，而最細粒度的預測提升僅3%

exogenous/explanatory variables可以提升預測效能：ESX演算法相比ES演算法，效能提升了6%，ARIMAX演算法相比ARIMA演算法，效能提升了13%

時間序列預測任務中，相比基準演算法，可提升的空間約在3%~20%之間

尺有所短,寸有所長（ Horses For Courses ）

Winner演算法並未在所有level上都取得最佳效能

預測效能的天花板與數據的粒度有關、與行事曆有關（工作日、周末等）

Top演算法解決方案的特點

機器學習/深度學習演算法，其中lightGBM是利器

整合預測，多種演算法的整合（如算術平均等）

充分利用exogenous/explanatory variables

Cross-learning提升對序列之間的資訊的利用能力

交叉驗證（CV）可以提高演算法的魯棒性，指導演算法策略的選擇。在Winner解決方案中，透過交叉驗證發現recursive model的整體準確率要高於non-recursive model。

The bene cial effect of external adjustments（未理解）

參考文獻

1. The M5 Accuracy competition: Results, findings and conclusions