https://baijiahao.baidu.com/s?id=1595331607299762312&wfr=spider&for=pchtml
雷鋒網 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，這次比賽的獎金池共計三萬美圓，吸引到 1675 支隊伍參賽。算法
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，雷鋒網 AI 研習社對論文內容進行編譯整理以下：數組
做者參加了在 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。網絡
這場比賽是基於時間序列數據的基礎機器學習問題，論文中闡明瞭整體分析和解決方案。架構
做者的方法基於空洞卷積神經網絡（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，可以快速和準確地對大量時間序列數據進行處理。併發
比賽背景機器學習
Kaggle 等競賽平臺舉辦的時間序列比賽目前已經成爲機器學習流行賽事，這些競賽有助於推動機器學習頂尖技術的發展，將其用於實際領域。ide
時間序列是不太爲人所知的分析領域。因爲數據存在着季節性、動態性和週期性的特徵，數據序列是非線性的，並存在噪聲，所以很難準確進行識別和預測。性能
神經網絡在近幾年的熱度急劇增加，這令人們對預測有了大相徑庭的理解。硬件的進步使得咱們可以在必定時間內利用深度神經網絡解決問題。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不少記錄。學習
做者在本文中討論瞭解決 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絡應用於時間序列數據。
數據集描述
數據被分爲兩部分——訓練數據和測試數據。訓練數據用於模型訓練，測試數據被分爲幾部分，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偏差）做爲評價指標。
問題定義
實體店中的採購和銷售須要保持平衡。稍微將銷售預測過量，店裏就會積存許多貨物，要是積壓了不易儲存的商品會更加糟糕。而要是將銷量預測太低，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降低。
此外，隨着零售商增長新的門店，那裏的顧客又可能存在獨特的需求，好比他們想要新的產品，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。
在此次比賽中，主辦方但願參賽者創建一個更準確的預測產品銷量的模型。做者的目標是創建一個可能應用於實際，並具備最高準確度的銷量預測模型。
主要存在以下三種挑戰：
噪聲數據：儘管組織者盡力準備並提供了大量數據，但其中存在有噪聲標籤的數據。有些數據（石油價格、假期、交易）與目標沒有關聯，在以後根本不會使用。
不可見數據：有這樣一種狀況，在測試集中出現了不可見的數據。因爲存在這類不可見的商店/商品數據，模型的行爲將不可預測。緣由以下：訓練集中不包括銷售額爲 0 的記錄，可是測試集包含全部的商店/商品組合（無論商店此前是否銷售該商品）。最後，做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：由於這個實驗是嚴格按照比賽規則進行的，做者嘗試了全部可能用來提升預測準確度的方法。
可選方案
下面的這些架構基於神經網絡，但在這個比賽中，最終結果不如做者最後使用的 WaveNet 模型，但他們相信這種架構能夠提供一種徹底不一樣的方法來解決問題，產生出一些有趣的洞見，甚至在其餘比賽中超越 WaveNet。
循環神經網絡
循環神經網絡（RNN）能夠將當前節點的輸出做爲下一個節點的輸入，能夠以下描述：相較於其餘深度學習算法，RNN 已經被普遍用於預測時間序列問題，並被定位爲預測此類數據數組問題的最早進的方法。
這些網絡的效率能夠經過重複的鏈接來解釋，這些鏈接容許網絡訪問之前的時間序列值的整個歷史。
能夠將 RNN 當作同一個網絡的多個副本，每一個副本會傳遞消息給後續副本。因爲自身屬性，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。
其中具備象徵意義的是 LSTMs，這是一種很是特殊的 RNN，在許多任務上，它比標準 RNN 的表現要好得多。
GRU 架構也能夠做爲解決當前問題的方法，它們與 LSTMs 類似，結構更簡。
做者的方法
基於 WaveNet CNN 網絡並作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類時間序列預測方法，其中就有 WaveNet。WaveNet 是一個生成模型，這意味着模型能夠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）。因爲沒有循環鏈接和跳躍步驟，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：爲了增大感覺野，須要用到多層卷積或者或不少大濾波器。
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，空洞卷積容許只增長核的視野在層間維持特徵映射的大小，另外，能夠用更少的參數捕獲輸入的全局視圖。
爲了可以產生 16 天的預測值，做者對模型進行了修改。由於訓練使用的是下一步預測值，錯誤會持續累積。爲了解決這個問題，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噪聲。這裏還用了亞當優化器更新網絡權重。數據是經過小批次產生的，隨機採樣 128 個序列。
因爲整個數據集大約包含 17 萬序列 x 365 天，因此在每次訓練迭代中都能向模型輸入不一樣的數據。考慮到這一點，該模型能很好地處理過擬合問題。
在訓練過程當中，學習率衰減係數設置爲 0.0005。做者將過去 16 天的訓練數據作成一個集合，並將其用於驗證。銷售量的變化和促銷信息能夠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，因此結果會有一點波動。
爲了解決過擬合問題，平滑短時間波動，着重於長期的動態性和週期性趨勢，做者用到移動平均法（Moving average）。在 5000 次小批量迭代以後，模型開始預測，以後每過 2000 次迭代產生預測。在特定的迭代以後，以下圖所示，5 個模型的平均性能優於單個模型。爲了將模型準確性進一步提升，最終，做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，所以不少特性都沒有被使用。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，不管你的分析條件多麼嚴謹，均可能是徹底錯誤的。若是市場情況保持相對不變，一種可靠的預測方法就是使用歷史數據。做者的經驗代表，卷積神經網絡很是善於處理歷史數據，捕捉季節性的趨勢、週期和無規律的趨勢，以下圖所示。
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（以下圖）。
在將來，須要對層數更多的 CNN 進行更深刻的研究，以完成更復雜的任務。爲了訓練更深的網絡，須要大量的數據。在將來，對不一樣類型和領域的數據進行分析多是另外一個有趣的方向。此外，將不一樣技術融合起來也能得到至關的準確性。
比賽地址：https://www.kaggle.com/c/favorita-grocery-sales-forecasting
論文地址：https://arxiv.org/pdf/1803.04037.pdf
雷鋒網 AI 研習社編譯整理。