雷鋒網(wǎng) AI 研習(xí)社消息，Kaggle 上 Corporación Favorita 主辦的商品銷量預(yù)測比賽于兩個月前落下帷幕，此次比賽的獎金池共計三萬美元，吸引到 1675 支隊伍參賽。

近日，Private Leaderboard 上的亞軍 SoLucky 團(tuán)隊在 arxiv 上發(fā)表了一篇論文，闡述了其獲勝方案，雷鋒網(wǎng) AI 研習(xí)社對論文內(nèi)容進(jìn)行編譯整理如下：

作者參加了在 Kaggle 上舉辦的 Corporacion Favorita Grocery Sales Forecasting 銷量預(yù)測比賽，并取得了第二名的成績。

這場比賽是基于時間序列數(shù)據(jù)的基礎(chǔ)機(jī)器學(xué)習(xí)問題，論文中闡明了總體分析和解決方案。

作者的方法基于空洞卷積神經(jīng)網(wǎng)絡(luò)（dilated convolutional neural network）并進(jìn)行了改善，來對時間序列進(jìn)行預(yù)測。利用這種技術(shù)，在 n 個示例批次中不斷迭代，能夠快速和準(zhǔn)確地對大量時間序列數(shù)據(jù)進(jìn)行處理。

比賽背景

Kaggle 等競賽平臺舉辦的時間序列比賽目前已經(jīng)成為機(jī)器學(xué)習(xí)流行賽事，這些競賽有助于推進(jìn)機(jī)器學(xué)習(xí)頂尖技術(shù)的發(fā)展，將其用于實際領(lǐng)域。

時間序列是不太為人所知的分析領(lǐng)域。由于數(shù)據(jù)存在著季節(jié)性、動態(tài)性和周期性的特征，數(shù)據(jù)序列是非線性的，并存在噪聲，因此很難準(zhǔn)確進(jìn)行識別和預(yù)測。

神經(jīng)網(wǎng)絡(luò)在近幾年的熱度急劇增長，這使人們對預(yù)測有了截然不同的理解。硬件的進(jìn)步使得我們能夠在一定時間內(nèi)利用深度神經(jīng)網(wǎng)絡(luò)解決問題。目前，深度學(xué)習(xí)是一個可行的解決方案，利用這項技術(shù)，近年來研究者們在基準(zhǔn)數(shù)據(jù)集的分類精度上打破了很多記錄。

作者在本文中討論了解決 Corporacion Favorita Grocery Sales Forecasting 商品銷量預(yù)測問題的方法，描述并分析了將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于時間序列數(shù)據(jù)。

數(shù)據(jù)集描述

數(shù)據(jù)被分為兩部分——訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。訓(xùn)練數(shù)據(jù)用于模型訓(xùn)練，測試數(shù)據(jù)被分為幾部分，分別用于在公共和私人的排行榜上進(jìn)行模型的準(zhǔn)確性評估。這場比賽中，Corporacion Favorita 提供 125,497,040 個訓(xùn)練觀察值和 3370,464 個測試觀察值。

數(shù)據(jù)集由按日銷售額、商店編號、商品編號和促銷信息組成。此外，主辦方還提供交易信息、石油價格、商店信息和假期。

該競賽使用 NWRMSLE（標(biāo)準(zhǔn)化加權(quán)均方根對數(shù)誤差）作為評價指標(biāo)。

問題定義

實體店中的采購和銷售需要保持平衡。稍微將銷售預(yù)測過量，店里就會積存許多貨物，要是積壓了不易儲存的商品會更加糟糕。而要是將銷量預(yù)測過低，設(shè)想一下，當(dāng)顧客把錢都付了，卻發(fā)現(xiàn)沒貨，那這家店的口碑將會急劇下降。

此外，隨著零售商增加新的門店，那里的顧客又可能存在獨特的需求，比如他們想要新的產(chǎn)品，口味隨季節(jié)而變化，那問題將變得更加復(fù)雜，產(chǎn)品市場如何真的很難預(yù)知。

在這次比賽中，主辦方希望參賽者建立一個更準(zhǔn)確的預(yù)測產(chǎn)品銷量的模型。作者的目標(biāo)是建立一個可能應(yīng)用于實際，并具有最高準(zhǔn)確度的銷量預(yù)測模型。

主要存在如下三種挑戰(zhàn)：

• 噪聲數(shù)據(jù)：盡管組織者盡力準(zhǔn)備并提供了大量數(shù)據(jù)，但其中存在有噪聲標(biāo)簽的數(shù)據(jù)。有些數(shù)據(jù)（石油價格、假期、交易）與目標(biāo)沒有關(guān)聯(lián)，在之后根本不會使用。

• 不可見數(shù)據(jù)：有這樣一種情況，在測試集中出現(xiàn)了不可見的數(shù)據(jù)。由于存在這類不可見的商店/商品數(shù)據(jù)，模型的行為將不可預(yù)測。原因如下：訓(xùn)練集中不包括銷售額為 0 的記錄，但是測試集包含所有的商店/商品組合（不管商店此前是否銷售該商品）。最后，作者假設(shè)這些不可見的組合只是零銷售額數(shù)據(jù)，用 0 來進(jìn)行替換。

• 準(zhǔn)確度：因為這個實驗是嚴(yán)格按照比賽規(guī)則進(jìn)行的，作者嘗試了所有可能用來提高預(yù)測準(zhǔn)確度的方法。

可選方案

下面的這些架構(gòu)基于神經(jīng)網(wǎng)絡(luò)，但在這個比賽中，最終結(jié)果不如作者最后使用的 WaveNet 模型，但他們相信這種架構(gòu)可以提供一種完全不同的方法來解決問題，產(chǎn)生出一些有趣的洞見，甚至在其他比賽中超越 WaveNet。

循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）可以將當(dāng)前節(jié)點的輸出作為下一個節(jié)點的輸入，可以如下描述：相較于其他深度學(xué)習(xí)算法，RNN 已經(jīng)被廣泛用于預(yù)測時間序列問題，并被定位為預(yù)測此類數(shù)據(jù)數(shù)組問題的最先進(jìn)的方法。

這些網(wǎng)絡(luò)的效率可以通過重復(fù)的連接來解釋，這些連接允許網(wǎng)絡(luò)訪問以前的時間序列值的整個歷史。

可以將 RNN 看成同一個網(wǎng)絡(luò)的多個副本，每個副本會傳遞消息給后續(xù)副本。由于自身屬性，RNN 與序列和列表密切相關(guān)。在過去的幾年中，將 RNN 應(yīng)用于時間序列預(yù)測問題上已經(jīng)取得了驚人的成果。

其中具有象征意義的是 LSTMs，這是一種非常特殊的 RNN，在許多任務(wù)上，它比標(biāo)準(zhǔn) RNN 的表現(xiàn)要好得多。

GRU 架構(gòu)也可以作為解決當(dāng)前問題的方法，它們與 LSTMs 相似，結(jié)構(gòu)更簡。

作者的方法

基于 WaveNet CNN 網(wǎng)絡(luò)并做了一些額外的擴(kuò)展和修改。

近年來，深度學(xué)習(xí)技術(shù)的發(fā)展促使研究人員探索出各種時間序列預(yù)測方法，其中就有 WaveNet。WaveNet 是一個生成模型，這意味著模型可以針對一些條件輸入生成實值數(shù)據(jù)（real-valued data）序列。

該架構(gòu)背后的核心思想是空洞因果卷積（dilated causal convolutions）。由于沒有循環(huán)連接和跳躍步驟，空洞卷積訓(xùn)練起來比 RNN 要快。

目前，因果卷積存在的問題之一是：為了增大感受野，需要用到多層卷積或者或很多大濾波器。

空洞卷積不存在這些問題，它使用上采樣濾波器代替特征映射（feature maps）。換句話說，空洞卷積允許只增加核的視野在層間維持特征映射的大小，另外，可以用更少的參數(shù)捕獲輸入的全局視圖。

為了能夠產(chǎn)生 16 天的預(yù)測值，作者對模型進(jìn)行了修改。因為訓(xùn)練使用的是下一步預(yù)測值，錯誤會持續(xù)累積。為了解決這個問題，他們使用 sequence to sequence 方法，編碼器和解碼器不會共享參數(shù)。解碼器將會在產(chǎn)生長序列時處理累積的噪聲。這里還用了亞當(dāng)優(yōu)化器更新網(wǎng)絡(luò)權(quán)重。數(shù)據(jù)是通過小批次產(chǎn)生的，隨機(jī)采樣 128 個序列。

由于整個數(shù)據(jù)集大約包含 17 萬序列 x 365 天，所以在每次訓(xùn)練迭代中都能向模型輸入不同的數(shù)據(jù)。考慮到這一點，該模型能很好地處理過擬合問題。

在訓(xùn)練過程中，學(xué)習(xí)率衰減系數(shù)設(shè)置為 0.0005。作者將過去 16 天的訓(xùn)練數(shù)據(jù)做成一個集合，并將其用于驗證。銷售量的變化和促銷信息可以用來生成的季度和年度模型。

在最后若干個上千或上萬的的小批次中，模型會稍微出現(xiàn)過擬合，所以結(jié)果會有一點波動。

為了解決過擬合問題，平滑短期波動，著重于長期的動態(tài)性和周期性趨勢，作者用到移動平均法（Moving average）。在 5000 次小批量迭代之后，模型開始預(yù)測，之后每過 2000 次迭代產(chǎn)生預(yù)測。在特定的迭代之后，如下圖所示，5 個模型的平均性能優(yōu)于單個模型。為了將模型準(zhǔn)確性進(jìn)一步提高，最終，作者使用指數(shù)移動平均法（exponential moving average），利用局部交叉驗證（local cross-validation）計算出平滑因子（smooth factor）。

該模型有很好的捕獲時間序列數(shù)據(jù)規(guī)律的能力，因此很多特性都沒有被使用。其中一些是單位產(chǎn)品銷售額和促銷信息。

總結(jié)

企業(yè)面臨一個明顯的問題——市場是不可預(yù)測的。任何銷售預(yù)測，無論你的分析條件多么嚴(yán)謹(jǐn)，都可能是完全錯誤的。如果市場狀況保持相對不變，一種可靠的預(yù)測方法就是使用歷史數(shù)據(jù)。作者的經(jīng)驗表明，卷積神經(jīng)網(wǎng)絡(luò)非常善于處理歷史數(shù)據(jù)，捕捉季節(jié)性的趨勢、周期和無規(guī)律的趨勢，如下圖所示。

他們描述了一種使用 CNN WaveNet 的方法，這是一個 sequence to sequence 架構(gòu)，在銷售預(yù)測方面，它是解決時間序列預(yù)測問題的有效方法（如下圖）。

在未來，需要對層數(shù)更多的 CNN 進(jìn)行更深入的研究，以完成更復(fù)雜的任務(wù)。為了訓(xùn)練更深的網(wǎng)絡(luò)，需要大量的數(shù)據(jù)。在未來，對不同類型和領(lǐng)域的數(shù)據(jù)進(jìn)行分析可能是另一個有趣的方向。此外，將不同技術(shù)融合起來也能獲得相當(dāng)?shù)臏?zhǔn)確性。

比賽地址：https://www.kaggle.com/c/favorita-grocery-sales-forecasting

論文地址：https://arxiv.org/pdf/1803.04037.pdf

雷鋒網(wǎng) AI 研習(xí)社編譯整理。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。