一种高可靠的周时间序列预测基线模型

[Submitted on 16 Oct 2020]

摘要：

现在，许多企业和行业都需要对每周时间序列的准确预测。然而，目前的预测文献并没有提供易于使用的、自动的、可重复的和准确的方法来完成这项任务。我们提出一种预测方法，利用最新的预测技术、预测组合和全球模型，可作为该领域的强大基线。我们的方法使用了四种专门适用于预测每周数据的基本预测模型:全局回归神经网络模型、Theta、三角Box-Cox ARMA季节性趋势(TBATS)和动态谐波回归ARIMA (DHR-ARIMA)。然后使用套索回归叠加方法对这些数据进行优化组合。我们在6个数据集上评估我们的方法对一组最先进的每周预测模型的性能。通过四个评价指标，我们表明我们的方法始终比基准方法表现出显著的统计显著性。特别是，我们的模型可以为M4每周数据集提供最准确的平均sMAPE预报。

本文的主要贡献：

1.提出了一种用于周时间序列预测的自动元学习集成预测模型。我们实施了两种预测组合模型:1)基于特征的预测模型平均的修正版本(FFORMA, Montero-Manso et al.， 2020)， M4预测比赛的第二种获胜方法;2)lasso回归(Tibshirani, 1994)，使用叠加方法优化组合基础模型预测。

2.综合使用四个基础模型，所有选择和设计适合每周数据:一个全局训练的递归神经网络(RNN, Hewamalage et al.， 2020)和三个单变量预测模型:Theta (Assimakopoulos和Nikolopoulos, 2000)，三角Box-Cox ARMA季节性趋势(TBATS, Livera等人，2011)和动态谐波回归自回归综合移动平均(DHR-ARIMA, Hyndman和Athanasopoulos, 2018)，利用全球和本地模型的优势。

3.我们通过聚合具有更高粒度的序列来创建5个每周基准数据集。所有汇总的每周数据集都可以公开用于进一步的研究。

4.我们评估我们提出的每周预测方法对一系列最先进的预测模型使用六个基准数据集跨四个评价指标。总体而言，我们的模型优于所有基准模型，具有统计学意义。此外，我们的模型基于对称平均绝对百分比误差(sMAPE)的平均值为M4每周数据集提供了最准确的预测。

5.与提议的基线模型相关的所有实现均可通过以下网址公开获取：

https://github.com/rakshitha123/WeeklyForecasting

图1:提出的Lasso回归模型的训练和测试阶段

表2:所有实验数据集的结果

关注人工智能学术前沿 回复 ：ts16

5秒免费获取论文pdf文档，及项目源码