Temporal Fusion Transformer를 이용한 대형마트 판매량의 다단계 시계열 수요예측 (Multi-step Time Series Forecasting for Hypermarket Sales Using Temporal Fusion Transformers)

서지정보

· 발행기관 : 한국전자거래학회
· 수록지 정보 : 한국전자거래학회지 / 28권 / 3호 / 43 ~ 53페이지
· 저자명 : 안세희, 정재윤

초록

수요예측은 모든 산업에서 사업 기획 및 운영 계획의 중요한 기초 자료로 사용된다. 본 논문에서는 수요예측 경진대회인 M5 Competition 데이터를 대상으로 Temporal Fusion Transformer(TFT) 모형을 적용하였고, 이 대회에서 우승한 DRFAM 기법과 정확도를 비교하였다. M5 Competition의 Walmart 데이터셋 중 CA_1 매장의 판매량 데이터를 대상으로 성능을 평가하였으며, 매장(store) 수준과 카테고리(category) 수준의 데이터풀(data pool)로 각각 TFT 모형을 학습한 후 예측값을 산술평균하는 방식을 사용하였다. 그 결과, 세 가지 수준의 데이터풀에 대해 직접적 예측모형(direct forecasting)과 재귀적 예측모형(recursive forecasting)으로 총 6개의 LightGBM 모형을 학습하여 산술평균으로 예측하는 DRFAM 기법보다 평균적으로 개선된 예측 정확도를 달성하였다. 이를 통해 TFT 모형이 자기-어텐션 구조를 사용하여 시계열에서 변수와 판매량 간의 관계를 충분히 학습하였음을 알 수 있었다. DRFAM 기법의 직접적 예측모형과 재귀적 예측모형이 28일 간의 예측을 위하여 28회 반복호출을 해야 하지만, TFT 모형은 다중 출력 구조이기 때문에 한번 모형 호출로 28개의 시계열 예측이 가능하다. 본 논문에서 제안한 TFT 기반의 예측모형은 보다 빠르고 정확한 시계열 예측을 제공하여 다양한 분야에 확대 적용할 수 있을 것으로 기대한다.

영어초록

Demand forecast is used as basic data for business and operation planning in all industries. In this paper, the Temporal Fusion Transformer (TFT) architecture was applied to the data of the M5 Competition, a famous forecasting competition, and the accuracy of the TFT-based forecasting method was compared with that of the DRFAM method, that had won the competition. The performance was evaluated for the sales data of CA_1 store in the Walmart dataset of the M5 Competition. The TFT models were trained with two data pools at the store level and category level, respectively, and the final forecast was calculated by arithmetically averaging the prediction results of the two models. As a result, the TFT-based method obtained better forecasts than the DRFAM method, which trained six LightGBM models with direct forecasting and recursive forecasting for three levels of data pools and predicted with the arithmetic average of the six trained models. It was found that the TFT-based method had sufficiently learned the relationship between variables and sales volumes in the time-series using the self-attention structure of TFT. While the direct and recursive forecasting models of the DRFAM method require 28 repeated calls for 28 days of forecasting, the TFT-based method can obtain 28 time-series forecasts with a single model call because of its multi-output structure. The proposed TFT-based forecasting method is expected to be applicable to various fields by providing faster and more accurate time-series forecasts.

참고자료

· 없음