Stabilizing distribution-free probabilistic forecasts

Resumen Técnico: Estabilización de Pronósticos Probabilísticos Libres de Distribución

Planteamiento del Problema
Los pronósticos probabilísticos multietapa se actualizan frecuentemente a medida que se dispone de nuevas observaciones, un proceso que generalmente mejora la calidad del pronóstico debido a horizontes más cortos. Sin embargo, estas actualizaciones introducen "inestabilidad del pronóstico" (también denominada rotación de pronósticos, inconsistencia o volatilidad), definida como la variabilidad en los pronósticos para el mismo período objetivo generados en diferentes orígenes. Esta inestabilidad puede desencadenar revisiones costosas en los planes operativos (por ejemplo, gestión de inventarios, programación de energía renovable) y erosionar la confianza en los sistemas de pronóstico. Aunque investigaciones anteriores han abordado la estabilidad en la predicción puntual o para pronósticos probabilísticos gaussianos (donde los parámetros distribucionales permiten métricas de inestabilidad de forma cerrada), existe una brecha en los métodos para el pronóstico probabilístico libre de distribución. En configuraciones no paramétricas, las expresiones de forma cerrada para la disimilitud distribucional no están disponibles, lo que dificulta integrar la estabilidad directamente en la optimización de modelos globales de pronóstico neuronal sin imponer supuestos distribucionales restrictivos.

Metodología
Los autores proponen StableSQF, un método que integra la estabilidad del pronóstico directamente en el entrenamiento de modelos de series temporales probabilísticas libres de distribución. El enfoque consta de dos componentes principales:

1. Pronosticador de Función Cuantílica de Splines (SQF):

   • En lugar de predecir cuantiles fijos o distribuciones paramétricas, el modelo aprende directamente la función cuantílica condicional completa $F^{-1}(\alpha)$ para múltiples horizontes de pronóstico simultáneamente (estrategia directa multihorizonte).
   • La función cuantílica se modela utilizando splines de regresión isotonía lineal. Los parámetros del spline (interceptos y pendientes) son salidas de una red neuronal profunda (basada en una arquitectura de apilamiento residual doble similar a N-BEATS).
   • Esta representación asegura que la función cuantílica sea monótonamente creciente (evitando el cruce de cuantiles) y permite la generación de distribuciones de salida continuas arbitrarias sin supuestos distribucionales predefinidos.
   • El entrenamiento minimiza el Puntuación de Probabilidad Continua Promedio Escalada (CRPS).

2. Optimización StableSQF:

   • Para inducir estabilidad, los autores aumentan la función de pérdida con un término de penalización basado en la distancia $p$-Wasserstein ($W_p$) entre pronósticos para el mismo período objetivo generados en orígenes adyacentes (por ejemplo, $t$ y $t-1$).
   • Dado que el modelo genera formas funcionales explícitas (splines) en lugar de distribuciones muestreadas, la distancia de Wasserstein puede calcularse directamente mediante la discretización de las funciones cuantílicas.
   • La función de pérdida compuesta es:
     $$\mathcal{L} = (1-\lambda) \cdot \text{Calidad} + \lambda \cdot \text{Inestabilidad}$$
     donde $\lambda \in [0, 1]$ controla la compensación.
   • Estabilización Dirigida: El método soporta distancias de Wasserstein ponderadas por cuantiles. Al aplicar una función de peso $v(\alpha)$ a la integral, la penalización puede enfocarse en partes específicas de la distribución (por ejemplo, las colas para el stock de seguridad de inventario o el centro para la planificación agregada), permitiendo a los usuarios priorizar la estabilidad donde más importa para las decisiones posteriores.

Contribuciones Clave

• Estabilidad Libre de Distribución: El artículo introduce el primer método para optimizar directamente la estabilidad en pronósticos probabilísticos libres de distribución, eliminando la necesidad de supuestos gaussianos o transformaciones de datos.
• Optimización Conjunta: Demuestra que la estabilidad puede integrarse como un objetivo explícito durante el entrenamiento del modelo mediante una función de pérdida compuesta, en lugar de depender únicamente del postprocesamiento.
• Direccionamiento Flexible: El uso de funciones cuantílicas basadas en splines permite la estabilización selectiva de regiones distribucionales específicas (colas vs. centro) a través de penalizaciones ponderadas por cuantiles.
• Marco Teórico: El trabajo extiende el concepto de minimización de "rotación de pronósticos" desde pronósticos puntuales y distribuciones gaussianas a configuraciones probabilísticas generales.

Resultados Experimentales
El método fue evaluado en dos conjuntos de datos con propiedades estadísticas distintas: el conjunto de datos M4 mensual (series suaves) y el conjunto de datos M5 artículos (que contiene demanda intermitente y irregular).

• Compensación Calidad-Estabilidad: Los resultados muestran que StableSQF puede reducir significativamente la inestabilidad del pronóstico (medida por la distancia 1-Wasserstein) con una pérdida marginal en la calidad del pronóstico (medida por CRPS). Por ejemplo, un aumento del 1% en CRPS produjo una reducción de aproximadamente el 30% en la inestabilidad para M4 y del 65% para M5.
• Eficiencia de Pareto: Los modelos StableSQF generalmente se sitúan sobre o cerca de la frontera de Pareto de calidad frente a estabilidad. Si bien los métodos de postprocesamiento (como la interpolación de pronósticos de diferentes orígenes) pueden lograr estabilidad extrema, a menudo incurren en pérdidas de calidad mayores que StableSQF para niveles de estabilidad moderados.
• Estabilización Dirigida: Los experimentos que utilizan penalizaciones ponderadas por cuantiles confirmaron que el método puede dirigir eficazmente los esfuerzos de estabilización. El uso de una penalización enfocada en las colas ($sW^t_1$) redujo significativamente la inestabilidad de las colas, pero a costa de la calidad del pronóstico de las colas, mientras que las penalizaciones enfocadas en el centro ($sW^c_1$) equilibraron la estabilidad a través de la distribución.
• Comparación con Líneas Base: StableSQF superó a las líneas base estándar (ETS, ingenuo estacional, media) y a variantes estabilizadas por postprocesamiento en términos de la eficiencia de la compensación calidad-estabilidad.

Significado y Afirmaciones
Los autores afirman que su trabajo proporciona una solución práctica a la compensación inherente entre la precisión del pronóstico y la estabilidad. Enfatizan que, aunque las actualizaciones de pronósticos generalmente mejoran la precisión, la inestabilidad resultante puede ser costosa operativamente y perjudicial para la confianza del usuario. Al permitir la optimización directa de la estabilidad dentro de un marco libre de distribución, StableSQF permite a los profesionales:

1. Controlar la Compensación: Ajustar explícitamente el equilibrio entre precisión y estabilidad basándose en los costos específicos de las revisiones de planes frente a los beneficios de la precisión.
2. Enfocar Esfuerzos: Priorizar la estabilidad en partes específicas de la distribución del pronóstico relevantes para la toma de decisiones posterior (por ejemplo, estabilizar cuantiles superiores para la gestión de inventarios).
3. Reducir Complejidad: Evitar la necesidad de pipelines de postprocesamiento complejos integrando la estabilidad directamente en la arquitectura del modelo.

El artículo concluye que, aunque eliminar completamente la inestabilidad puede requerir postprocesamiento, StableSQF ofrece un mecanismo flexible e integrado para generar pronósticos intrínsecamente más estables con una degradación mínima de la calidad, convirtiéndolo en una herramienta valiosa para la planificación operativa en entornos dinámicos.