Stabilizing distribution-free probabilistic forecasts

Résumé technique : Stabilisation des prévisions probabilistes sans hypothèse de distribution

Énoncé du problème
Les prévisions probabilistes à plusieurs pas sont fréquemment mises à jour à mesure que de nouvelles observations deviennent disponibles, un processus qui améliore généralement la qualité des prévisions en raison de l'horizon plus court. Cependant, ces mises à jour introduisent une « instabilité des prévisions » (également appelée rotation, incohérence ou saillance des prévisions), définie comme la variabilité des prévisions pour une même période cible générées à différents origines. Cette instabilité peut déclencher des révisions coûteuses des plans opérationnels (par exemple, gestion des stocks, planification de l'énergie renouvelable) et éroder la confiance dans les systèmes de prévision. Alors que des recherches antérieures ont abordé la stabilité dans le cadre de la prévision ponctuelle ou pour des prévisions probabilistes gaussiennes (où les paramètres de distribution permettent des métriques d'instabilité sous forme fermée), il existe un vide méthodologique pour la prévision probabiliste sans hypothèse de distribution. Dans les cadres non paramétriques, les expressions fermées pour la dissimilarité distributionnelle sont indisponibles, ce qui rend difficile l'intégration directe de la stabilité dans l'optimisation des modèles globaux de prévision neuronale sans imposer d'hypothèses distributionnelles restrictives.

Méthodologie
Les auteurs proposent StableSQF, une méthode qui intègre la stabilité des prévisions directement dans l'entraînement de modèles de séries temporelles probabilistes sans hypothèse de distribution. L'approche se compose de deux composants principaux :

1. Prévisionneur par fonction de quantile spline (SQF) :

   • Au lieu de prédire des quantiles fixes ou des distributions paramétriques, le modèle apprend directement la fonction de quantile conditionnelle complète $F^{-1}(\alpha)$ pour plusieurs horizons de prévision simultanément (stratégie multi-horizon directe).
   • La fonction de quantile est modélisée à l'aide de splines de régression isotonique linéaire. Les paramètres des splines (ordonnées à l'origine et pentes) sont les sorties d'un réseau de neurones profond (basé sur une architecture d'empilement doublement résiduelle similaire à N-BEATS).
   • Cette représentation garantit que la fonction de quantile est strictement croissante (empêchant le croisement des quantiles) et permet la génération de distributions de sortie continues arbitraires sans hypothèses distributionnelles prédéfinies.
   • L'entraînement minimise le score moyen pondéré de probabilité continue (CRPS).

2. Optimisation StableSQF :

   • Pour induire la stabilité, les auteurs augmentent la fonction de perte avec un terme de pénalité basé sur la distance de Wasserstein $p$ ($W_p$) entre les prévisions pour une même période cible générées à des origines adjacentes (par exemple, $t$ et $t-1$).
   • Parce que le modèle produit des formes fonctionnelles explicites (splines) plutôt que des distributions échantillonnées, la distance de Wasserstein peut être calculée directement via la discrétisation des fonctions de quantile.
   • La fonction de perte composite est :
     $$\mathcal{L} = (1-\lambda) \cdot \text{Qualité} + \lambda \cdot \text{Instabilité}$$
     où $\lambda \in [0, 1]$ contrôle le compromis.
   • Stabilisation ciblée : La méthode prend en charge les distances de Wasserstein pondérées par les quantiles. En appliquant une fonction de poids $v(\alpha)$ à l'intégrale, la pénalité peut être focalisée sur des parties spécifiques de la distribution (par exemple, les queues pour les stocks de sécurité ou le centre pour la planification agrégée), permettant aux utilisateurs de prioriser la stabilité là où elle importe le plus pour les décisions en aval.

Contributions clés

• Stabilité sans hypothèse de distribution : L'article introduit la première méthode pour optimiser directement la stabilité dans les prévisions probabilistes sans hypothèse de distribution, éliminant le besoin d'hypothèses gaussiennes ou de transformations de données.
• Optimisation conjointe : Il démontre que la stabilité peut être intégrée comme un objectif explicite lors de l'entraînement du modèle via une fonction de perte composite, plutôt que de reposer uniquement sur un post-traitement.
• Ciblage flexible : L'utilisation de fonctions de quantile basées sur des splines permet la stabilisation sélective de régions distributionnelles spécifiques (queues vs centre) grâce à des pénalités pondérées par les quantiles.
• Cadre théorique : Le travail étend le concept de minimisation de la « rotation des prévisions » des prévisions ponctuelles et des distributions gaussiennes à des cadres probabilistes généraux.

Résultats expérimentaux
La méthode a été évaluée sur deux jeux de données aux propriétés statistiques distinctes : le jeu de données M4 mensuel (séries lisses) et le jeu de données M5 articles (contenant une demande intermittente et irrégulière).

• Compromis Qualité-Stabilité : Les résultats montrent que StableSQF peut réduire significativement l'instabilité des prévisions (mesurée par la distance de Wasserstein 1) avec une perte marginale de la qualité des prévisions (mesurée par le CRPS). Par exemple, une augmentation de 1 % du CRPS a entraîné une réduction d'environ 30 % de l'instabilité pour M4 et de 65 % pour M5.
• Efficacité de Pareto : Les modèles StableSQF se situent généralement sur ou près du front de Pareto de la qualité par rapport à la stabilité. Bien que les méthodes de post-traitement (comme l'interpolation des prévisions de différentes origines) puissent atteindre une stabilité extrême, elles entraînent souvent des pertes de qualité plus élevées que StableSQF pour des niveaux de stabilité modérés.
• Stabilisation ciblée : Les expériences utilisant des pénalités pondérées par les quantiles ont confirmé que la méthode peut orienter efficacement les efforts de stabilisation. L'utilisation d'une pénalité focalisée sur les queues ($sW^t_1$) a réduit significativement l'instabilité des queues, mais au détriment de la qualité des prévisions des queues, tandis que les pénalités focalisées sur le centre ($sW^c_1$) ont équilibré la stabilité à travers la distribution.
• Comparaison avec les références : StableSQF a surpassé les références standard (ETS, naïf saisonnier, moyenne) et les variantes stabilisées par post-traitement en termes d'efficacité du compromis qualité-stabilité.

Signification et revendications
Les auteurs affirment que leur travail fournit une solution pratique au compromis inhérent entre la précision des prévisions et la stabilité. Ils soulignent que, bien que les mises à jour de prévisions améliorent généralement la précision, l'instabilité résultante peut être coûteuse sur le plan opérationnel et préjudiciable à la confiance des utilisateurs. En permettant l'optimisation directe de la stabilité dans un cadre sans hypothèse de distribution, StableSQF permet aux praticiens de :

1. Contrôler le compromis : Ajuster explicitement l'équilibre entre précision et stabilité en fonction des coûts spécifiques des révisions de plans par rapport aux avantages de la précision.
2. Concentrer les efforts : Prioriser la stabilité dans des parties spécifiques de la distribution de prévision pertinentes pour la prise de décision en aval (par exemple, stabiliser les quantiles supérieurs pour la gestion des stocks).
3. Réduire la complexité : Éviter le besoin de pipelines de post-traitement complexes en intégrant directement la stabilité dans l'architecture du modèle.

L'article conclut que, bien que l'élimination complète de l'instabilité puisse nécessiter un post-traitement, StableSQF offre un mécanisme flexible et intégré pour générer des prévisions intrinsèquement plus stables avec une dégradation minimale de la qualité, en faisant un outil précieux pour la planification opérationnelle dans des environnements dynamiques.