透過階層式匯總功能減少預測偏差

如要查看如何使用 AutoML 建立階層式預測模型並執行批次預測的範例，請在下列其中一個環境中執行「AutoML training hierarchical forecasting for batch prediction」筆記本：

在 Colab 中開啟 | 在 Colab Enterprise 中開啟 | 在 Vertex AI Workbench 中開啟 | 在 GitHub 上查看

本頁說明階層式預測及其目標，並介紹可減少預測模型偏誤的訓練策略。

如要瞭解如何使用 API 訓練預測模型時設定階層式預測，請參閱「訓練預測模型」。

什麼是階層式預測

時間序列通常會以巢狀階層結構呈現。舉例來說，零售商的整個產品庫存可以劃分為各個產品類別。類別可進一步細分為個別產品。預測未來銷售量時，類別產品的預測值總和必須等於類別本身的預測值，以此類推，直到階層頂端為止。

同樣地，單一時間序列的時間維度也可能呈現階層。舉例來說，個別產品的每日預估銷售量加總，必須等於該產品的每週預估銷售量。下圖以矩陣形式顯示這個群組和時間階層：

階層式預測有三項目標：

• 減少整體偏差，改善所有時間序列的指標 (總銷售量)。
• 減少時間偏差，以改善長期指標 (季節性銷售)。
• 減少群組層級的偏差，以改善一組時間序列 (商品銷售) 的指標。

在 Vertex AI 中，階層式預測會納入時間序列的階層式結構，並加入匯總推論的額外損失項。

Hierarchical loss = (1 x loss) +
                    (temporal total weight x temporal total loss) +
                    (group total weight x group total loss) +
                    (group temporal total weight x group temporal total loss)

舉例來說，如果階層式群組是「類別」，則「類別」層級的推論結果是該類別中所有「產品」的推論結果總和。如果模型目標是平均絕對誤差 (MAE)，損失會包含「產品」和「類別」層級的推論 MAE。這有助於提升不同層級預測的一致性，在某些情況下，甚至可能改善最低層級的指標。

設定模型訓練的階層式匯總

訓練預測模型時，請透過設定 Vertex AI SDK 中的 AutoMLForecastingTrainingJob，或設定 Vertex AI API 中的 hierarchyConfig，設定階層式匯總。

「AutoMLForecastingTrainingJob」和「hierarchyConfig」的可用參數包括：

• group_columns
• group_total_weight
• temporal_total_weight
• group_temporal_total_weight

這些參數可讓您以不同組合的群組和時間匯總損失。您也可以指派權重，提高相對於個別損失的匯總損失最小化優先順序。舉例來說，如果權重為 2.0，則權重是個別損失的兩倍。

group_columns

訓練輸入資料表中的資料欄名稱會指出階層層級的分組。欄必須是 time_series_attribute_columns。如果未設定群組資料欄，系統會將所有時間序列視為同一群組的一部分，並匯總所有時間序列。

group_total_weight

相對於個別損失的群組匯總損失權重。如果設為 0.0 或未設定，系統會停用這項功能。

temporal_total_weight

時間匯總損失相對於個別損失的權重。如果設為 0.0 或未設定，系統會停用這項功能。

group_temporal_total_weight

相對於個別損失，匯總損失 (群組 x 時間) 的權重。如果設為 0.0 或未設定，系統會停用這項功能。如果未設定群組資料欄，系統會將所有時間序列視為同一群組的一部分，並匯總所有時間序列。

減少偏誤的策略

先從一種匯總類型 (群組或時間) 開始，權重為 10.0，然後根據結果將值減半或加倍。

減少整體偏誤

在細部預測中，如果使用產品 x 商店 x 日期層級的加權絕對百分比誤差 (WAPE) 做為預測指標，預測結果通常會低估總計層級的資料。如要補償這項整體偏差，請嘗試下列做法：

• 將 group_total_weight 設為 10.0。
• 請勿設定 group_columns。
• 其他權重則維持未設定狀態。

這會匯總所有時間序列，並減少整體偏差。

減少時間偏誤

在長期規劃中，預測可能是在產品 x 區域 x 週層級進行，但相關指標的衡量標準可能是季節性總計。如要補償這項時間偏差，請嘗試下列做法：

• 將 temporal_total_weight 設為 10.0。
• 請勿設定 group_columns。
• 其他權重則維持未設定狀態。

這會匯總時間序列預測期間的所有日期，並減少時間偏差。

減少群組層級的偏誤

若要預測補貨流程中的多種用途，產品 x 商店 x 日期/週層級的精細預測可能會匯總至產品 x 配送中心 x 日期層級，以利配送；或匯總至產品類別 x 日期層級，以利訂購物料。如要這麼做，請執行下列操作：

• 將 group_total_weight 設為 10.0。
• 設定 group_columns，例如 ["region"] 或 ["region", "category"]。設定多個群組資料欄時，系統會使用這些資料欄的合併值來定義群組。為獲得最佳成效，請使用最多 100 個不同合併值的群組欄。
• 其他權重則維持未設定狀態。

這會匯總同一群組中同一日期的所有時間序列，並減少群組層級的偏差。

限制

• 系統僅支援一個層級的時間序列匯總。如果您指定多個分組欄 (例如「產品、商店」)，只有在時間序列共用「產品」和「商店」的值時，才會屬於同一群組。
• 建議使用 100 個以下的群組。

後續步驟

• 評估模型。