Stabilizing distribution-free probabilistic forecasts

Resumo Técnico: Estabilização de Previsões Probabilísticas Livres de Distribuição

Enunciado do Problema
Previsões probabilísticas de múltiplos passos à frente são frequentemente atualizadas à medida que novas observações se tornam disponíveis, um processo que tipicamente melhora a qualidade da previsão devido a horizontes mais curtos. No entanto, essas atualizações introduzem "instabilidade de previsão" (também denominada rotatividade de previsão, inconsistência ou oscilação), definida como a variabilidade nas previsões para o mesmo período-alvo geradas em origens diferentes. Essa instabilidade pode desencadear revisões custosas em planos operacionais (por exemplo, gestão de inventário, programação de energia renovável) e corroer a confiança nos sistemas de previsão. Embora pesquisas anteriores tenham abordado a estabilidade em previsões pontuais ou para previsões probabilísticas Gaussianas (onde parâmetros distribucionais permitem métricas de instabilidade de forma fechada), existe uma lacuna em métodos para previsão probabilística livre de distribuição. Em configurações não paramétricas, expressões de forma fechada para dissimilaridade distribucional estão indisponíveis, tornando difícil integrar a estabilidade diretamente na otimização de modelos globais de previsão neural sem impor suposições distribucionais restritivas.

Metodologia
Os autores propõem o StableSQF, um método que integra a estabilidade da previsão diretamente no treinamento de modelos de séries temporais probabilísticos livres de distribuição. A abordagem consiste em dois componentes principais:

1. Previsor de Função Quantílica por Splines (SQF):

   • Em vez de prever quantis fixos ou distribuições paramétricas, o modelo aprende diretamente a função quantílica condicional completa $F^{-1}(\alpha)$ para múltiplos horizontes de previsão simultaneamente (estratégia direta multi-horizonte).
   • A função quantílica é modelada usando splines de regressão isotônica linear. Os parâmetros do spline (interceptos e inclinações) são saídas de uma rede neural profunda (baseada em uma arquitetura de empilhamento duplamente residual semelhante ao N-BEATS).
   • Essa representação garante que a função quantílica seja monotonicamente crescente (prevenindo o cruzamento de quantis) e permite a geração de distribuições de saída contínuas arbitrárias sem suposições distribucionais pré-definidas.
   • O treinamento minimiza a Pontuação Probabilística Ranqueada Contínua (CRPS) média escalonada.

2. Otimização StableSQF:

   • Para induzir estabilidade, os autores aumentam a função de perda com um termo de penalidade baseado na distância $p$-Wasserstein ($W_p$) entre previsões para o mesmo período-alvo geradas em origens adjacentes (por exemplo, $t$ e $t-1$).
   • Como o modelo produz formas funcionais explícitas (splines) em vez de distribuições amostradas, a distância de Wasserstein pode ser computada diretamente via discretização das funções quantílicas.
   • A função de perda composta é:
     $$\mathcal{L} = (1-\lambda) \cdot \text{Qualidade} + \lambda \cdot \text{Instabilidade}$$
     onde $\lambda \in [0, 1]$ controla o compromisso.
   • Estabilização Direcionada: O método suporta distâncias de Wasserstein ponderadas por quantis. Ao aplicar uma função de peso $v(\alpha)$ à integral, a penalidade pode ser focada em partes específicas da distribuição (por exemplo, as caudas para estoque de segurança de inventário ou o centro para planejamento agregado), permitindo que os usuários priorizem a estabilidade onde é mais crucial para decisões a jusante.

Principais Contribuições

• Estabilidade Livre de Distribuição: O artigo introduz o primeiro método para otimizar diretamente a estabilidade em previsões probabilísticas livres de distribuição, removendo a necessidade de suposições Gaussianas ou transformações de dados.
• Otimização Conjunta: Demonstra que a estabilidade pode ser integrada como um objetivo explícito durante o treinamento do modelo via uma função de perda composta, em vez de depender exclusivamente de pós-processamento.
• Direcionamento Flexível: O uso de funções quantílicas baseadas em splines permite a estabilização seletiva de regiões distribucionais específicas (caudas vs. centro) através de penalidades ponderadas por quantis.
• Estrutura Teórica: O trabalho expande o conceito de minimização de "rotatividade de previsão" de previsões pontuais e distribuições Gaussianas para configurações probabilísticas gerais.

Resultados Experimentais
O método foi avaliado em dois conjuntos de dados com propriedades estatísticas distintas: o conjunto de dados M4 mensal (séries suaves) e o conjunto de dados M5 itens (contendo demanda intermitente e irregular).

• Compromisso Qualidade-Estabilidade: Os resultados mostram que o StableSQF pode reduzir significativamente a instabilidade da previsão (medida pela distância 1-Wasserstein) com apenas uma perda marginal na qualidade da previsão (medida pelo CRPS). Por exemplo, um aumento de 1% no CRPS resultou em aproximadamente 30% de redução na instabilidade para o M4 e 65% para o M5.
• Eficiência de Pareto: Os modelos StableSQF geralmente residem sobre ou perto da fronteira de Pareto de qualidade versus estabilidade. Embora métodos de pós-processamento (como interpolação de previsões de origens diferentes) possam alcançar estabilidade extrema, eles frequentemente incorrem em perdas de qualidade maiores do que o StableSQF para níveis moderados de estabilidade.
• Estabilização Direcionada: Experimentos usando penalidades ponderadas por quantis confirmaram que o método pode direcionar efetivamente os esforços de estabilização. O uso de uma penalidade focada nas caudas ($sW^t_1$) reduziu significativamente a instabilidade das caudas, mas ao custo da qualidade da previsão das caudas, enquanto penalidades focadas no centro ($sW^c_1$) equilibraram a estabilidade através da distribuição.
• Comparação com Baselines: O StableSQF superou as linhas de base padrão (ETS, ingênuo sazonal, média) e variantes estabilizadas por pós-processamento em termos de eficiência do compromisso qualidade-estabilidade.

Significado e Alegações
Os autores afirmam que seu trabalho fornece uma solução prática para o compromisso inerente entre a precisão da previsão e a estabilidade. Eles enfatizam que, embora as atualizações de previsão geralmente melhorem a precisão, a instabilidade resultante pode ser operacionalmente custosa e prejudicial à confiança do usuário. Ao permitir a otimização direta da estabilidade dentro de um framework livre de distribuição, o StableSQF permite que os praticantes:

1. Controlem o Compromisso: Ajustem explicitamente o equilíbrio entre precisão e estabilidade com base nos custos específicos de revisões de planos versus os benefícios da precisão.
2. Focem Esforços: Priorizem a estabilidade em partes específicas da distribuição de previsão relevantes para a tomada de decisão a jusante (por exemplo, estabilizar quantis superiores para gestão de inventário).
3. Reduzam Complexidade: Evitem a necessidade de pipelines complexos de pós-processamento ao incorporar a estabilidade diretamente na arquitetura do modelo.

O artigo conclui que, embora eliminar completamente a instabilidade possa exigir pós-processamento, o StableSQF oferece um mecanismo flexível e embutido para gerar previsões intrinsecamente mais estáveis com degradação mínima de qualidade, tornando-o uma ferramenta valiosa para planejamento operacional em ambientes dinâmicos.