【KDD2024】大规模层次化工业需求时间序列预测中的稀疏性整合

来源：专知
本文为论文介绍，建议阅读5分钟
我们通过提出HAILS（层次化自适应稀疏时间序列模型）解决了这两个挑战。

层次化时间序列预测（HTSF）在许多现实世界的商业应用中是一个重要问题，其目标是同时预测通过层次关系相互关联的多个时间序列。然而，近期的研究未能解决大型企业需求预测应用中通常出现的两个重要挑战。首先，层次结构较低级别的许多时间序列具有高度稀疏性，即存在大量零值。大多数HTSF方法没有处理这种层次结构中的稀疏性变化。此外，它们在处理真实世界中通常在文献中未见的大规模层次结构时，扩展性表现不佳。我们通过提出HAILS（层次化自适应稀疏时间序列模型）解决了这两个挑战，这是一种新的概率层次模型，通过自适应地用不同的分布假设建模稀疏和密集的时间序列，并将它们整合以符合层次约束，从而实现准确和校准的概率预测。我们通过真实世界的需求预测数据集评估了我们方法的可扩展性和有效性。在一家大型化工制造公司中，我们部署了HAILS用于产品需求预测，涉及超过一万个产品，并观察到预测准确性显著提高了8.5%，对稀疏时间序列的改进则达到了23%。增强的准确性和可扩展性使HAILS成为改进商业规划和客户体验的宝贵工具。

关于我们

数据派THU作为数据科学类公众号，背靠清华大学大数据研究中心，分享前沿数据科学与大数据技术创新研究动态、持续传播数据科学知识，努力建设数据人才聚集平台、打造中国大数据最强集团军。

新浪微博：@数据派THU

微信视频号：数据派THU

今日头条：数据派THU