🤖 machine learning

Stabilizing distribution-free probabilistic forecasts

यह शोध पत्र डिस्ट्रीब्यूशन-फ्री प्रोबेबिलिस्टिक टाइम-सीरीज फोरकास्ट्स की गुणवत्ता और स्थिरता को संयुक्त रूप से अनुकूलित करने के लिए रिग्रेशन स्प्लाइन्स का उपयोग करने वाली एक न्यूरल नेटवर्क-आधारित विधि प्रस्तावित करता है, जो डाउनस्ट्रीम अनुप्रयोगों के लिए प्रासंगिक विशिष्ट डिस्ट्रीब्यूशन क्षेत्रों के लक्षित स्थिरीकरण की अनुमति देते हुए महंगी पूर्वानुमान परिवर्तनशीलता को प्रभावी ढंग से कम करता है।

मूल लेखक: Jente Van Belle, Honglin Wen, Wouter Verbeke, Pierre Pinson

प्रकाशित 2026-05-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jente Van Belle, Honglin Wen, Wouter Verbeke, Pierre Pinson

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप कोहरे के बीच से जहाज चला रहे एक कप्तान हैं। आपके पास एक नेविगेशन सिस्टम है जो भविष्यवाणी करता है कि एक घंटे, दो घंटे और तीन घंटे में जहाज कहाँ होगा।

हर बार जब आपको एक नया रडार रीडिंग (एक नया अवलोकन) मिलता है, तो आपका सिस्टम अपनी भविष्यवाणी अपडेट करता है। आमतौर पर, ये अपडेट भविष्यवाणी को अधिक सटीक बनाते हैं क्योंकि आपके पास अधिक हालिया डेटा होता है। हालाँकि, इसमें एक पेंच है: आपकी नई भविष्यवाणी आपकी पाँच मिनट पहले की भविष्यवाणी से पूरी तरह अलग दिख सकती है।

यदि आपकी भविष्यवाणी हर बार अपडेट होने पर बेतहाशा इधर-उधर उछलती है, तो आपका चालक दल भ्रमित हो जाएगा। वे शायद पतवार को कभी बाईं ओर, फिर दाईं ओर, फिर बाईं ओर मोड़ना शुरू कर देंगे, जिससे ईंधन बर्बाद होगा और दुर्घटना का खतरा बढ़ जाएगा। इसे पूर्वानुमान अस्थिरता (forecast instability) कहा जाता है। यह एक मौसम ऐप की तरह है जो कहता है कि कोट पहनें, फिर पाँच मिनट बाद कहता है "धूप खिली है, कोट की ज़रूरत नहीं है," और फिर पाँच मिनट बाद कहता है "छाता साथ रखें।" भले ही अंतिम भविष्यवाणी सटीक हो, लेकिन लगातार होने वाले ये बदलाव सिस्टम को अविश्वसनीय और उपयोग करने में महंगा बना देते हैं।

समस्या: सटीकता बनाम स्थिरता (Accuracy vs. Calmness)

इस शोध पत्र के लेखकों ने एक दुविधा देखी:

विकल्प A: हर नए डेटा के साथ अपनी भविष्यवाणी को अपडेट करते रहें। यह बहुत सटीक हो जाती है, लेकिन यह बहुत अधिक "उछलती" (अस्थिर) रहती है।
विकल्प B: पूर्वानुमान को जल्दी ही अपडेट करना बंद कर दें। यह शांत और स्थिर रहता है (स्थिर), लेकिन यह नई जानकारी को अनदेखा करने के कारण कम सटीक हो सकता है।

आमतौर पर, लोग विकल्प A चुनते हैं क्योंकि सटीकता सर्वोपरि है। हालाँकि, लेखक तर्क देते हैं कि कभी-कभी, एक थोड़ी कम सटीक लेकिन बहुत अधिक शांत भविष्यवाणी वास्तविक दुनिया के निर्णय लेने के लिए बेहतर होती है।

समाधान: "StableSQF"

टीम ने एक नया तरीका बनाया जिसे StableSQF कहा जाता है। इसे एक "स्मूथनेस फ़िल्टर" के रूप में समझें जो पूर्वानुमान लगाने वाले कंप्यूटर के मस्तिष्क में सीधे निर्मित है।

यह इस प्रकार काम करता है, एक सरल उपमा का उपयोग करते हुए:

1. "आकार बदलने वाला" मानचित्र (क्वांटाइल फंक्शन्स)
केवल एक संख्या (जैसे "यह 20 डिग्री होगा") की भविष्यवाणी करने के बजाय, सिस्टम संभावित परिणामों के पूरे आकार की भविष्यवाणी करता है। एक वक्र (curve) की कल्पना करें जो यह दिखाता है कि ठंडा, गर्म या बहुत गर्म होने की क्या संभावना है।
लेखक Splines नामक तकनीक का उपयोग करते हैं। एक लचीले रूलर (स्प्लाइन) की कल्पना करें जिसे आप एक वक्र बनाने के लिए मोड़ सकते हैं। कंप्यूटर इस रूलर को डेटा के अनुरूप मोड़ने का तरीका सीखता है। यह इसे किसी भी प्रकार के मौसम पैटर्न की भविष्यवाणी करने की अनुमति देता है, न कि केवल "औसत" पैटर्न की।

2. "डबल-चेक" प्रशिक्षण
इस कंप्यूटर को शांत रहना सिखाने के लिए, वे इसे केवल डेटा नहीं दिखाते। वे इसे डेटा को दो बार दिखाते हैं:

दृश्य 1: दोपहर 2:00 बजे पूर्वानुमान कैसा दिखता है।
दृश्य 2: दोपहर 2:05 बजे (सिर्फ 5 मिनट बाद) पूर्वानुमान कैसा दिखता है।

कंप्यूटर को फिर एक विशेष नियम दिया जाता है: "यदि आपकी 2:05 PM की भविष्यवाणी, 2:00 PM की भविष्यवाणी से बहुत अलग दिखती है, तो आपको दंड (penalty) दिया जाएगा।"

यह कंप्यूटर को एक संतुलन सीखना सिखाता है। यह अभी भी सटीक होने की कोशिश करता है, लेकिन यह यह भी सीखता है कि अपनी भविष्यवाणियों को बेतहाशा उछलने के बजाय धीरे-धीरे कैसे बदला जाए। यह एक नर्तक को सटीक होने के साथ-साथ सुचारू रूप से चलने के लिए प्रशिक्षित करने जैसा है, न कि झटकेदार तरीके से हिलने के लिए।

3. "महत्वपूर्ण हिस्सों" को लक्षित करना
एक बहुत ही शानदार विशेषता यह है कि आप कंप्यूटर को बता सकते हैं कि कहाँ शांत रहना है।

परिदृश्य 1 (इन्वेंटरी): यदि आप एक स्टोर मैनेजर हैं, तो आपको इससे फर्क नहीं पड़ेगा कि "औसत" बिक्री की भविष्यवाणी थोड़ी ऊपर-नीचे होती है। लेकिन आपको इससे बहुत फर्क पड़ेगा यदि "बहुत उच्च बिक्री" (वक्र का सिरा/tail) की भविष्यवाणी इधर-उधर उछलती है, क्योंकि तब आपका स्टॉक खत्म हो जाता है। सिस्टम को इस तरह ट्यून किया जा सकता है कि वह "उच्च बिक्री" वाले हिस्से को बहुत स्थिर रखे।
परिदृश्य 2 (मौसम): यदि आप बाढ़ चेतावनी प्रणाली चला रहे हैं, तो आप औसत वर्षा के स्थिर रहने को अधिक महत्व दे सकते हैं ताकि लोग चेतावनी पर भरोसा कर सकें, बजाय इसके कि चरम छोर (extreme tail) पर ध्यान दिया जाए।

सिस्टम आपको यह चुनने की अनुमति देता है कि वक्र का कौन सा हिस्सा सबसे "शांत" होना चाहिए।

उन्होंने क्या पाया?

लेखकों ने दो विशाल डेटासेट्स पर इसका परीक्षण किया (एक जिसमें मासिक आर्थिक डेटा था और दूसरा दैनिक वॉलमार्ट सेल्स का)।

ट्रेड-ऑफ (समझौता): उन्होंने पाया कि आप अपनी सटीकता में बहुत मामूली गिरावट के साथ अपने पूर्वानुमानों को बहुत अधिक स्थिर (कम "उछलने वाला") बना सकते हैं। यह एक बहुत ही कम कीमत पर बहुत सहज सवारी पाने जैसा है।
स्वीट स्पॉट (सही बिंदु): यदि आप पूर्वानुमान को पूरी तरह से स्थिर बनाने की कोशिश करते हैं, तो सटीकता बहुत गिर जाती है। लेकिन यदि आप थोड़ा सा "स्थिरता दंड" (stability penalty) जोड़ते हैं, तो आपको दोनों दुनियाओं का सर्वश्रेष्ठ मिलता है।
विकल्पों से बेहतर: उनका तरीका पुराने और नए पूर्वानुमानों का औसत निकालने (एक सामान्य ट्रिक) से बेहतर काम करता है क्योंकि यह स्थिरता को केवल बाद में स्मूथ करने के बजाय, सीखने की प्रक्रिया में ही शामिल कर लेता है।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र पूर्वानुमान लगाने वाले कंप्यूटरों को स्थिर बनाना सिखाने का एक तरीका पेश करता है। ठीक वैसे ही जैसे एक अच्छा कप्तान हर छोटी लहर पर अतिरंजित प्रतिक्रिया नहीं देता, लेकिन फिर भी जहाज को सही दिशा में ले जाता है, यह तरीका पूर्वानुमान प्रणालियों को उनकी भविष्यवाणियों को अपडेट करने में मदद करता है ताकि उन पर निर्भर लोगों में घबराहट या भ्रम पैदा न हो। यह साबित करता है कि आपको सटीक होने और शांत होने के बीच चुनाव करने की आवश्यकता नहीं है; आप एक ऐसा पूर्वानुमान प्राप्त कर सकते हैं जो दोनों हो, बशर्ते आप पूर्णता के बदले थोड़ी अधिक विश्वसनीयता स्वीकार करने के लिए तैयार हों।

तकनीकी सारांश: डिस्ट्रीब्यूशन-फ्री प्रोबेबिलिस्टिक पूर्वानुमानों का स्थिरीकरण (Stabilizing Distribution-Free Probabilistic Forecasts)

समस्या विवरण (Problem Statement)
मल्टी-स्टेप-अहेड प्रोबेबिलिस्टिक पूर्वानुमानों को अक्सर नए अवलोकनों (observations) के उपलब्ध होने पर अपडेट किया जाता है, एक ऐसी प्रक्रिया जो आमतौर पर कम क्षितिज (shorter horizons) के कारण पूर्वानुमान की गुणवत्ता में सुधार करती है। हालांकि, ये अपडेट "पूर्वानुमान अस्थिरता" (जिसे पूर्वानुमान चर्न, असंगतता या जंपिनेस भी कहा जाता है) को जन्म देते हैं, जिसे एक ही लक्षित अवधि के लिए विभिन्न ओरिजिन्स (origins) से उत्पन्न पूर्वानुमानों की परिवर्तनशीलता के रूप में परिभाषित किया गया है। यह अस्थिरता परिचालन योजनाओं (जैसे इन्वेंटरी प्रबंधन, नवीकरणीय ऊर्जा शेड्यूलिंग) में महंगी संशोधनों को ट्रिगर कर सकती है और पूर्वानुमान प्रणालियों में विश्वास को कम कर सकती है। जबकि पिछले शोध ने पॉइंट फोरकास्टिंग या गॉसियन प्रोबेबिलिस्टिक पूर्वानुमानों (जहाँ वितरण पैरामीटर क्लोज्ड-फॉर्म अस्थिरता मेट्रिक्स की अनुमति देते हैं) में स्थिरता को संबोधित किया है, डिस्ट्रीब्यूशन-फ्री प्रोबेबिलिस्टिक फोरकास्टिंग के लिए विधियों में एक अंतराल है। नॉन-पैरामेट्रिक सेटिंग्स में, वितरण संबंधी असमानता के लिए क्लोज्ड-फॉर्म एक्सप्रेशन उपलब्ध नहीं होते हैं, जिससे प्रतिबंधात्मक वितरण धारणाओं को लागू किए बिना ग्लोबल न्यूरल फोरकास्टिंग मॉडल्स के अनुकूलन में स्थिरता को सीधे एकीकृत करना कठिन हो जाता है।

कार्यप्रणाली (Methodology)
लेखक StableSQF का प्रस्ताव करते हैं, एक विधि जो डिस्ट्रीब्यूशन-फ्री प्रोबेबिलिस्टिक टाइम-सीरीज मॉडल्स के प्रशिक्षण में पूर्वानुमान स्थिरता को सीधे एकीकृत करती है। यह दृष्टिकोण दो मुख्य घटकों से बना है:

स्प्लाइन क्वांटाइल फंक्शन (SQF) फोरकास्टर:
- फिक्स्ड क्वांटाइल्स या पैरामेट्रिक डिस्ट्रीब्यूशंस की भविष्यवाणी करने के बजाय, मॉडल कई फोरकास्ट होराइजन्स के लिए सीधे पूर्ण कंडीशनल क्वांटाइल फंक्शन $F^{-1}(\alpha)$ को सीखता है (डायरेक्ट मल्टी-होराइजन स्ट्रैटेजी)।
- क्वांटाइल फंक्शन को लीनियर आइसोटोनिक रिग्रेशन स्प्लाइन्स का उपयोग करके मॉडल किया जाता है। स्प्लाइन पैरामीटर्स (इंटरसेप्ट्स और स्लोप्स) एक डीप न्यूरल नेटवर्क (N-BEATS के समान डबली रेसिडुअल स्टैकिंग आर्किटेक्चर पर आधारित) के आउटपुट होते हैं।
- यह प्रतिनिधित्व सुनिश्चित करता है कि क्वांटाइल फंक्शन मोनोटोनिकली बढ़ता है (क्वांटाइल क्रॉसिंग को रोकने के लिए) और यह पूर्व-निर्धारित वितरण संबंधी धारणाओं के बिना मनचाहे निरंतर आउटपुट डिस्ट्रीब्यूशंस उत्पन्न करने की अनुमति देता है।
- प्रशिक्षण औसत स्केल्ड कंटीन्यूअस रैंकड प्रोबेबिलिटी स्कोर (CRPS) को कम करता है।
StableSQF ऑप्टिमाइजेशन:
- स्थिरता उत्पन्न करने के लिए, लेखक लॉस फंक्शन को आसन्न ओरिजिन्स (जैसे $t$ और $t-1$ ) से उत्पन्न एक ही लक्षित अवधि के लिए पूर्वानुमानों के बीच $p$ -वॉसरस्टीन डिस्टेंस ( $W_p$ ) पर आधारित एक पेनल्टी टर्म के साथ बढ़ाते हैं।
- क्योंकि मॉडल स्पष्ट कार्यात्मक रूपों (स्प्लाइन्स) को आउटपुट करता है न कि सैम्पल्ड डिस्ट्रीब्यूशंस को, इसलिए क्वांटाइल फंक्शन्स के विवक्तीकरण (discretization) के माध्यम से वॉसरस्टीन डिस्टेंस की गणना सीधे की जा सकती है।
- कंपोजिट लॉस फंक्शन है:
  $\mathcal{L} = (1-\lambda) \cdot \text{Quality} + \lambda \cdot \text{Instability}$
  जहाँ $\lambda \in [0, 1]$ ट्रेड-ऑफ को नियंत्रित करता है।
- लक्षित स्थिरीकरण (Targeted Stabilization): यह विधि क्वांटाइल-वेटेड वॉसरस्टीन डिस्टेंस का समर्थन करती है। इंटीग्रल पर एक वेट फंक्शन $v(\alpha)$ लागू करके, पेनल्टी को विशिष्ट वितरण भागों (जैसे इन्वेंटरी सेफ्टी स्टॉक के लिए टेल्स या एग्रीगेट प्लानिंग के लिए सेंटर) पर केंद्रित किया जा सकता है, जिससे उपयोगकर्ताओं को डाउनस्ट्रीम निर्णयों के लिए सबसे महत्वपूर्ण स्थानों पर स्थिरता को प्राथमिकता देने की अनुमति मिलती है।

प्रमुख योगदान (Key Contributions)

डिस्ट्रीब्यूशन-फ्री स्टेबिलिटी: यह पेपर डिस्ट्रीब्यूशन-फ्री प्रोबेबिलिस्टिक फोरकास्ट्स में स्थिरता के लिए सीधे ऑप्टिमाइज करने वाली पहली विधि पेश करता है, जो गॉसियन धारणाओं या डेटा ट्रांसफॉर्मेशन की आवश्यकता को समाप्त करता है।
संयुक्त अनुकूलन (Joint Optimization): यह प्रदर्शित करता है कि स्थिरता को एक कंपोजिट लॉस फंक्शन के माध्यम से मॉडल प्रशिक्षण के दौरान एक स्पष्ट उद्देश्य के रूप में एकीकृत किया जा सकता है, न कि केवल पोस्ट-प्रोसेसिंग पर निर्भर रहकर।
लचीला लक्ष्यीकरण: स्प्लाइन-आधारित क्वांटाइल फंक्शन का उपयोग विशिष्ट वितरण क्षेत्रों (टेल्स बनाम सेंटर) के चुनिगत स्थिरीकरण को सक्षम बनाता है।
सैद्धांतिक ढांचा: यह कार्य पॉइंट फोरकास्ट और गॉसियन डिस्ट्रीब्यूशंस से "फोरकास्ट चर्न" मिनिमाइजेशन की अवधारणा को सामान्य प्रोबेबिलिस्टिक सेटिंग्स तक विस्तारित करता है।

प्रायोगिक परिणाम (Experimental Results)
विधि का मूल्यांकन दो डेटासेट्स पर किया गया जिनमें विशिष्ट सांख्यिकीय गुण थे: M4 मंथली (स्मूथ सीरीज़) और M5 आइटम्स (जिसमें इंटरमिटेंट और लंपी डिमांड शामिल है)।

क्वालिटी-स्टेबिलिटी ट्रेड-ऑफ: परिणाम दिखाते हैं कि StableSQF केवल मामूली क्वालिटी लॉस (CRPS द्वारा मापा गया) के साथ पूर्वानुमान अस्थिरता (1-वॉसरस्टीन डिस्टेंस द्वारा मापा गया) को काफी कम कर सकता है। उदाहरण के लिए, M4 के लिए लगभग 30% और M5 के लिए 65% की अस्थिरता कमी के लिए CRPS में केवल 1% की वृद्धि हुई।
पारेटो एफिशिएंसी (Pareto Efficiency): StableSQF मॉडल्स आम तौर पर क्वालिटी बनाम स्टेबिलिटी के पारेटो फ्रंटियर पर या उसके करीब होते हैं। जबकि पोस्ट-प्रोसेसिंग विधियां (जैसे विभिन्न ओरिजिन्स से पूर्वानुमानों का इंटरपोलेशन) अत्यधिक स्थिरता प्राप्त कर सकती हैं, वे मध्यम स्थिरता स्तरों के लिए StableSQF की तुलना में अधिक क्वालिटी लॉस झेलती हैं।
लक्षित स्थिरीकरण: क्वांटाइल-वेटेड पेनल्टी का उपयोग करने वाले प्रयोगों ने पुष्टि की कि विधि प्रभावी रूप से स्थिरीकरण प्रयासों को निर्देशित कर सकती है। टेल-फोकस्ड पेनल्टी ( $sW^t_1$ ) का उपयोग करने से टेल अस्थिरता काफी कम हो गई लेकिन टेल फोरकास्ट क्वालिटी की कीमत पर, जबकि सेंटर-फोकस्ड पेनल्टी ( $sW^c_1$ ) ने पूरे वितरण में स्थिरता को संतुलित किया।
बेसलाइन्स के साथ तुलना: StableSQF ने क्वालिटी-स्टेबिलिटी ट्रेड-ऑफ की दक्षता के मामले में मानक बेसलाइन्स (ETS, सीज़नल नैइव, मीन) और पोस्ट-प्रोसेसिंग स्टेबलाइज्ड वेरिएंट्स को पीछे छोड़ दिया।

महत्व और दावे (Significance and Claims)
लेखक दावा करते हैं कि उनका कार्य पूर्वानुमान सटीकता और स्थिरता के बीच अंतर्निहित ट्रेड-ऑफ के लिए एक व्यावहारिक समाधान प्रदान करता है। वे इस बात पर जोर देते हैं कि जबकि पूर्वानुमान अपडेट आमतौर पर सटीकता में सुधार करते हैं, परिणामी अस्थिरता परिचालन रूप से महंगी और उपयोगकर्ता के विश्वास के लिए हानिकारक हो सकती है। एक डिस्ट्रीब्यूशन-फ्री फ्रेमवर्क के भीतर स्थिरता के प्रत्यक्ष अनुकूलन को सक्षम करके, StableSQF अभ्यासकर्ताओं को निम्नलिखित की अनुमति देता है:

ट्रेड-ऑफ को नियंत्रित करना: योजना संशोधनों की लागत बनाम सटीकता के लाभों के आधार पर सटीकता और स्थिरता के बीच संतुलन को स्पष्ट रूप से ट्यून करना।
प्रयासों को केंद्रित करना: डाउनस्ट्रीम निर्णय लेने के लिए प्रासंगिक पूर्वानुमान वितरण के विशिष्ट भागों (जैसे इन्वेंटरी प्रबंधन के लिए ऊपरी क्वांटाइल्स को स्थिर करना) में स्थिरता को प्राथमिकता देना।
जटिलता को कम करना: स्थिरता को सीधे मॉडल आर्किटेक्चर में शामिल करके जटिल पोस्ट-प्रोसेसिंग पाइपलाइनों की आवश्यकता को समाप्त करना।

पेपर निष्कर्ष निकालता है कि हालांकि अस्थिरता को पूरी तरह से समाप्त करने के लिए पोस्ट-प्रोसेसिंग की आवश्यकता हो सकती है, StableSQF न्यूनतम क्वालिटी डिग्रेडेशन के साथ स्वाभाविक रूप से अधिक स्थिर पूर्वानुमान उत्पन्न करने के लिए एक लचीला, बिल्ट-इन तंत्र प्रदान करता है, जो गतिशील वातावरण में परिचालन योजना के लिए इसे एक मूल्यवान उपकरण बनाता है।

समस्या: सटीकता बनाम स्थिरता (Accuracy vs. Calmness)

समाधान: "StableSQF"

उन्होंने क्या पाया?

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर