时间序列可预测性度量-计算机科学-机器学习-时间序列预测.pdfVIP

时间序列可预测性度量

RuiWangStevenKleeAlexisRoos

AmazonWebServicesAmazonWebServicesAmazonWebServices

Seattle,WA,USABellevue,WA,USASeattle,WA,USA

rwngamz@sklee@alexiroo@

摘要1介绍

本文提出了在模型开发前使用两个指标来量化时间序在供应链管理迅速演变的环境中，准确的时间序列预

列的可预测性：频谱可预测分数和最大Lyapunov指测已成为需求预测、库存优化和供应规划[3,8–10,15]

数。与传统的模型评估指标不同，这些度量在任何预的不可或缺的工具。然而，这些预测的有效性与基础

测尝试之前评估数据的内在可预测特性。频谱可预测数据内在的可预测性紧密相关。并非所有时间序列都

本分数评估时间序列中频率成分的力量和规律性，而Lya-表现出相同程度的可预测性，这种变异性可能显著影

译punov指数量化生成数据系统的混沌性和稳定性。我响基于这些预测的商业决策的可靠性。

中们在M5预测竞赛数据集中的合成和实际世界的时间传统上，从业者通过事后训练模型并评估性能来

1序列上评估了这些指标的有效性。我们的结果显示这评估可预测性。虽然有效，但这一过程计算成本高昂，

v两个指标可以正确反映时间序列的内在可预测性，并并且可能导致在本质上不可预测的序列中浪费努力。

6

5与各种模型的实际预测性能有很强的相关性。通过在我们提出了一种更系统的方法：使用谱可预测性[7]

5

3模型训练前理解时间序列的内在可预测性，从业人员和李亚普诺夫指数[4]来量化时间序列的事前可预测

1.可以将其规划努力集中在更易预测的产品和供应链水性[17]。我们将展示如何将这些指标系统地应用于时

7

0平上，而为具有有限可预测性的产品设定适当期望或间序列数据，以识别预测任务的内在难度，并支持更

5寻求替代策略。好的规划和资源分配。

2

:谱可预测性评估了时间序列中频率成分的强度和

v

iACMReferenceFormat:复杂性，提供了对其潜在模式和周期性的见解。另一

x

rRuiWang,StevenKlee,andAlexisRoos.2025.时间序列可预测性方面，Lyapunov指数分析衡量了数据生成系统的稳定

a度量.InProceedingsofthe1stWorkshopon”AIforSupplyChain:

性和混沌性，提供了对长期行为的洞察。它们共同为

TodayandFuture”@31stACMSIGKDDConferenceonKnowledge

一系列结构和长期动态提供了互补的观点。

DiscoveryandDataMiningV.2(KDD’25),August3,2025,Toronto,

ON,Canada.ACM,NewYork,NY,USA,6pages./10.这种方法在供应链