本文链接:个人站 | 简书 | CSDN
版权声明:除特别声明外,本博客文章均采用 BY-NC-SA 许可协议。转载请注明出处。
在《销量预测中的误差指标分析》一文中,我们介绍了一些时间序列点预测中常用的指标。而通过在《如何在商品采购中考虑不确定性》、《报童问题》和《报童问题的简单解法》等文中的探讨,我们已经看到,将需求预测的方式从点预测改为概率分布预测,可以有效降低库存管理的风险,获得更大的期望收益。针对时间序列的概率分布预测,我们也已经介绍了 DeepAR、Transformer 等若干深度学习模型。那么,该如何评估概率分布预测的效果呢?在《概率预测的评估方法简介》一文中,我们已经介绍了一些通用的概率预测的评估指标。在本文中,我们再补充介绍几个适用于时间序列的概率预测评估指标。
1. Quantile Loss
在《分位数回归》一文中,我们证明了以最小化分位数损失作为训练目标,可以得到分位数预测模型。其实反过来看,分位数损失也可以作为概率分布预测的评估指标。
用 Z t Z_t Zt 表示 t t t 时刻的真实值,用 Z ^ t ρ \hat Z_t^\rho Z^tρ 表示概率分布预测给出的 t t t 时刻的 ρ \rho ρ 分位数,总共预测 h h h 步,我们定义 Quantile Loss 为
Q L ρ = 2 ∑ t = 1 h ( Z ^ t ρ − Z t ) ( ρ I { Z ^ t ρ > Z t } − ( 1 − ρ ) I { Z ^ t ρ ≤ Z t } ) QL_\rho = 2\sum_{t=1}^{h}(\hat Z_t^\rho-Z_t)\left(\rho I_{\{\hat Z_t^\rho > Z_t\}} - (1-\rho)I_{\{\hat Z_t^\rho \leq Z_t\}}\right) QLρ=2t=1∑h(Z^tρ−Zt)(ρI{
Z^tρ>Zt}−(1−ρ)I{
Z^tρ≤Zt})
在此基础上定义 weighted Quantile Loss 为
w Q L ρ = Q L ρ ∑ t = 1 h Z t wQL_\rho = \frac{QL_\rho}{\sum\limits_{t=1}^h Z_t} wQLρ=t=1∑hZtQLρ
不难发现取 ρ = 0.5 \rho=0.5 ρ=0.5 时
w Q L 0.5 = ∑ t = 1 h ∣ Z ^ t 0.5 − Z t ∣ ∑ t = 1 h Z t ≡ w M A P E wQL_{0.5}=\frac{\sum_{t=1}^h|\hat Z_t^{0.5}-Z_t|}{ \sum_{t=1}^h Z_t} \equiv wMAPE wQL0.5=∑t=1hZt∑t=1h∣Z^t0.5−Z