Kaggle 商品銷量預測季軍方案出爐，應對時間序列問題有何妙招

知識 03-19

AI 研習社消息，Kaggle 上 Corporación Favorita 主辦的商品銷量預測比賽於兩個月前落下帷幕，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 團隊在 arxiv 上發表了一篇論文，闡述了其獲勝方案，AI 研習社對論文內容進行編譯整理如下：

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

這場比賽是基於時間序列數據的基礎機器學習問題，論文中闡明了總體分析和解決方案。

作者的方法基於空洞卷積神經網路（dilated convolutional neural network）並進行了改善，來對時間序列進行預測。利用這種技術，在 n 個示例批次中不斷迭代，能夠快速和準確地對大量時間序列數據進行處理。

比賽背景

Kaggle 等競賽平台舉辦的時間序列比賽目前已經成為機器學習流行賽事，這些競賽有助於推進機器學習頂尖技術的發展，將其用於實際領域。

時間序列是不太為人所知的分析領域。由於數據存在著季節性、動態性和周期性的特徵，數據序列是非線性的，並存在雜訊，因此很難準確進行識別和預測。

神經網路在近幾年的熱度急劇增長，這使人們對預測有了截然不同的理解。硬體的進步使得我們能夠在一定時間內利用深度神經網路解決問題。目前，深度學習是一個可行的解決方案，利用這項技術，近年來研究者們在基準數據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 商品銷量預測問題的方法，描述並分析了將卷積神經網路應用於時間序列數據。

數據集描述

數據被分為兩部分——訓練數據和測試數據。訓練數據用於模型訓練，測試數據被分為幾部分，分別用於在公共和私人的排行榜上進行模型的準確性評估。這場比賽中，Corporacion Favorita 提供 125,497,040 個訓練觀察值和 3370,464 個測試觀察值。

數據集由按日銷售額、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（標準化加權均方根對數誤差）作為評價指標。

問題定義

實體店中的採購和銷售需要保持平衡。稍微將銷售預測過量，店裡就會積存許多貨物，要是積壓了不易儲存的商品會更加糟糕。而要是將銷量預測過低，設想一下，當顧客把錢都付了，卻發現沒貨，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，那裡的顧客又可能存在獨特的需求，比如他們想要新的產品，口味隨季節而變化，那問題將變得更加複雜，產品市場如何真的很難預知。

在這次比賽中，主辦方希望參賽者建立一個更準確的預測產品銷量的模型。作者的目標是建立一個可能應用於實際，並具有最高準確度的銷量預測模型。

主要存在如下三種挑戰：

雜訊數據：儘管組織者儘力準備並提供了大量數據，但其中存在有雜訊標籤的數據。有些數據（石油價格、假期、交易）與目標沒有關聯，在之後根本不會使用。

不可見數據：有這樣一種情況，在測試集中出現了不可見的數據。由於存在這類不可見的商店/商品數據，模型的行為將不可預測。原因如下：訓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）。最後，作者假設這些不可見的組合只是零銷售額數據，用 0 來進行替換。

準確度：因為這個實驗是嚴格按照比賽規則進行的，作者嘗試了所有可能用來提高預測準確度的方法。

可選方案

下面的這些架構基於神經網路，但在這個比賽中，最終結果不如作者最後使用的 WaveNet 模型，但他們相信這種架構可以提供一種完全不同的方法來解決問題，產生出一些有趣的洞見，甚至在其他比賽中超越 WaveNet。

循環神經網路

循環神經網路（RNN）可以將當前節點的輸出作為下一個節點的輸入，可以如下描述：相較於其他深度學習演算法，RNN 已經被廣泛用於預測時間序列問題，並被定位為預測此類數據數組問題的最先進的方法。

這些網路的效率可以通過重複的連接來解釋，這些連接允許網路訪問以前的時間序列值的整個歷史。

可以將 RNN 看成同一個網路的多個副本，每個副本會傳遞消息給後續副本。由於自身屬性，RNN 與序列和列表密切相關。在過去的幾年中，將 RNN 應用於時間序列預測問題上已經取得了驚人的成果。

其中具有象徵意義的是 LSTMs，這是一種非常特殊的 RNN，在許多任務上，它比標準 RNN 的表現要好得多。

GRU 架構也可以作為解決當前問題的方法，它們與 LSTMs 相似，結構更簡。

作者的方法

基於 WaveNet CNN 網路並做了一些額外的擴展和修改。

近年來，深度學習技術的發展促使研究人員探索出各種時間序列預測方法，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據（real-valued data）序列。

該架構背後的核心思想是空洞因果卷積（dilated causal convolutions）。由於沒有循環連接和跳躍步驟，空洞卷積訓練起來比 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，它使用上採樣濾波器代替特徵映射（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徵映射的大小，另外，可以用更少的參數捕獲輸入的全局視圖。

為了能夠產生 16 天的預測值，作者對模型進行了修改。因為訓練使用的是下一步預測值，錯誤會持續累積。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。解碼器將會在產生長序列時處理累積的雜訊。這裡還用了亞當優化器更新網路權重。數據是通過小批次產生的，隨機採樣 128 個序列。

由於整個數據集大約包含 17 萬序列 x 365 天，所以在每次訓練迭代中都能向模型輸入不同的數據。考慮到這一點，該模型能很好地處理過擬合問題。

在訓練過程中，學習率衰減係數設置為 0.0005。作者將過去 16 天的訓練數據做成一個集合，並將其用於驗證。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。

在最後若干個上千或上萬的的小批次中，模型會稍微出現過擬合，所以結果會有一點波動。

為了解決過擬合問題，平滑短期波動，著重於長期的動態性和周期性趨勢，作者用到移動平均法（Moving average）。在 5000 次小批量迭代之後，模型開始預測，之後每過 2000 次迭代產生預測。在特定的迭代之後，如下圖所示，5 個模型的平均性能優於單個模型。為了將模型準確性進一步提高，最終，作者使用指數移動平均法（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據規律的能力，因此很多特性都沒有被使用。其中一些是單位產品銷售額和促銷信息。

總結

企業面臨一個明顯的問題——市場是不可預測的。任何銷售預測，無論你的分析條件多麼嚴謹，都可能是完全錯誤的。如果市場狀況保持相對不變，一種可靠的預測方法就是使用歷史數據。作者的經驗表明，卷積神經網路非常善於處理歷史數據，捕捉季節性的趨勢、周期和無規律的趨勢，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，在銷售預測方面，它是解決時間序列預測問題的有效方法（如下圖）。

在未來，需要對層數更多的 CNN 進行更深入的研究，以完成更複雜的任務。為了訓練更深的網路，需要大量的數據。在未來，對不同類型和領域的數據進行分析可能是另一個有趣的方向。此外，將不同技術融合起來也能獲得相當的準確性。

比賽地址：

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

論文地址：

https://arxiv.org/pdf/1803.04037.pdf

福利時間

TensorFlow 是目前最活躍的深度學習框架。《TensorFlow 入門與實踐》基於 1.3 版本，首先介紹了它的安裝和基本用法，然後討論了深度學習的基本概念，包括神經網路前向計算、損失函數、反向傳播計算和優化函數等，接著介紹了卷積神經網路和循環神經網路，最後介紹了在大規模應用的場景下，如何實現分散式的深度學習訓練。