Research on Enterprise Cost Prediction Method Based on Improved Informer Model

あなたは、来月の天気を予測しようとしていると想像してください。空を見上げると、突然の嵐、奇妙な熱波、そして何の意味も持たないランダムな雲が入り混じった、混沌とした状態です。そのノイズに基づいて気温を予想しようとしても、おそらく外れるでしょう。これは、「時系列予測」という、コンピュータが過去のデータの線から未来を予測しようとする科学の一分野における日常的な苦闘です。通常、これらのコンピュータは、パターンを見つけるのが得意な非常に賢い学生のようなものですが、「ノイズ」によって簡単に注意を削がれてしまいます。ノイズとは、実際のトレンドではなく、単なる不具合や偶然による、データの突然の奇妙な跳ね上がりなどのことです。

これを解決するために、科学者たちは「Informer」と呼ばれる特別なツールを作り上げました。Informerを、一秒間に百万冊の本（データポイント）を頭痛を起こすこともなく読みこなす、超効率的な司書だと考えてください。これは「スパース・アテンション（疎な注意）」と呼ばれるトリックを使用しています。これは、時間を節約するために、すべての単語を一つずつ読むのではなく、本の最も重要な章だけを読むことを司書が決めるようなものです。しかし、この超優秀な司書にも弱点があります。データが乱雑で激しく変動する場合（企業のコストデータのように）、司書は効率を重視するあまり、最もエキサイティングで重要な「物語の急展開」を誤ってスキップしてしまう可能性があるのです。この論文は、その特定の課題に取り組んでいます。

---

問題点：データが荒れ狂うとき

あなたが巨大な工場のマネージャーだと想像してください。毎日、あなたは来週、来月、あるいは来年、どれくらいの費用がかかるのかを知る必要があります。これは「企業コスト予測」と呼ばれます。しかし、コストのデータは乱雑です。時には、配送の遅延によって原材料価格が突然急騰したり、予期せぬ機械の故障が発生したりします。これらは「極端な値」であり、大きなトレンドのように見えますが、実際には単なる事故である、データの突然の、かつ騒々しいノイズなのです。

古いコンピュータモデルは、これらの事故に混乱させられます。彼らは、一日の支出の急増を将来の新しいルールだと勘違いし、誤った予測を行ってしまいます。通常は長期予測に優れているスマートな「Informer」モデルでさえ、ここでは苦戦します。Informerは効率化のためにデータをランダムに選択して注目しますが、混沌としたコスト環境においては、最も重要なスパイク（急増）を誤って無視したり、ノイズに気を取られたりしてしまうことがあります。

解決策：よりスマートで、より注意深い司書

この論文の著者であるNan Ban氏とそのチームは、Informerに本格的なアップグレードを施すことにしました。彼らは単にデータを大量に投入したのではなく、現実世界のビジネスコストの混沌に対処するための、2つの新しいスキルを教え込みました。

スキル1：「ノイズキャンセリング・ヘッドホン」（動的デノイジング）
まず、前処理のステップを追加しました。データが静電気やパチパチという音で満たされた曲だと想像してください。Informerがその曲を聴く前に、この新しいアルゴリズムはノイズキャンセリング・ヘッドホンを装着します。それはデータを見て、「これは本当のトレンドか、それとも単なる不具合か？」と問いかけます。

• もし、ある数値が隣接する数値と比較して高すぎたり低すぎたりする場合（例えば、事務用品コストの突然の不可能な跳ね上がりなど）、アルゴリズムは単にそれを削除するわけではありません。それでは重要な情報を失ってしまうからです。代わりに、粗いエッジを優しく滑らかにするように、その値を「平滑化」し、曲線によく馴染むようにします。
• 決定的なのは、これが一律のフィルターではないということです。このアルゴリズムは、原材料のように自然に激しく変動するものと、オフィス賃料のように穏やかなものがあることを理解できるほど賢くなっています。それに応じて感度を調整し、本物の「荒れた」トレンドを維持しながら、偽物のノイズを削ぎ落とします。

スキル2：「アクションへのスポットライト」（ボラティリティを考慮したサンプリング）
データが綺麗になったら、次はInformerが何を読み取るかを決める必要があります。オリジナルのInformerは、時間を節約するためにデータをある程度ランダムに選びます。しかし、新しいバージョンは「ボラティリティ（変動性）を考慮した」戦略を使用します。

• これは、コンサート会場のカメラマンを想像してください。バンドがゆっくりとした退屈なバラードを演奏している間、カメラは静止しています。しかし、ドラマーが激しく速いソロを開始すると（高いボラティリティ）、カメラはズームインして、あらゆるビートを追いかけます。
• 新しいモデルも同じことを行います。モデルは、特定のデータの塊がどれほど揺れ動いているかを計算します。もしその塊が非常にボラティリティが高い（動きが多い）場合、モデルは自らに特別な注意を払うよう強制し、重要なスパイクを見逃さないようにします。データが穏やかな場合は、休息を取ります。これにより、モデルはコストの物語における「プロットの急展開」に圧倒されることなく、確実に捉えることができるのです。

彼らが発見したこと：中期的な予測における優れた成果

チームは、タバコ会社の実際のデータと標準的な電力データセットを用いて、この新しい「スーパーInformer」をテストしました。彼らはオリジナルのInformerや他のモデルと比較しました。

結果は、彼らの新しい手法が、特に少し先の未来（「中期」）を予測する際に明確な勝者であることを示しました。

• 12ステップ予測（12期間先を見る）において、新しいモデルは誤差（MSE）を0.3819に、平均絶対誤差（MAE）を0.3449に減少させました。これは、デノイジング（ノイズ除去）ステップのみを行ったモデルよりも、それぞれ**2.1%および2.2%**の改善となりました。
• 24ステップ予測では、誤差は0.5035（MSE）および0.4202（MAE）に下がり、それぞれ**0.1%および0.2%**のわずかではありますが着実な改善を示しました。

興味深いことに、著者らは、非常に短期的な予測（6ステップ）においては、新しいモデルはデノイジングのみのバージョンよりもわずかに精度が低いことを指摘しました。これは、短期予測は十分に単純であるため、追加の「スポットライト」はまだ必要ないからです。しかし、ノイズとボラティリティが真に重要となる、より遠い未来を見据えるとき、新しいモデルは輝きを放ちます。ノイズに騙されるモデルが陥りがちな「偽の低誤差」を回避し、コストがどこに向かっているのかについて、より安定した信頼できる展望を提供します。

なぜこれが重要なのか

これは単なる数学の演習ではありません。企業が夜、安心して眠れるようにするためのものです。コストのトレンドを正確に予測することで、企業は予算超過の可能性を早期に察知し、それが災厄となる前に修正することができます。著者らは、この「デノイジング ＋ スポットライト」のアプローチが完璧なチームを生み出すと考えています。一方がデータを清浄化し、もう一方が最も重要な、混沌とした部分に焦点を当てるのです。

この論文は、テストされたデータセットにおいてこれらの結果が堅実であることを示していますが、著者らはすでに先を見据えています。彼らは、予測をさらに鋭いものにするために、原材料価格や政策変更といった、さらに多くの要因を組み合わせていく計画です。しかし、現時点においても、彼らは、コンピュータにノイズを無視して真のアクションに集中することを教えれば、未来についてより優れた物語を語ることができるのだということを証明しました。