Melhorando a Estabilidade das Previsões nas Cadeias de Suprimento

Ao prever eventos futuros, especialmente em áreas como gestão da cadeia de suprimentos, é comum atualizar previsões conforme novas informações aparecem. Esse processo pode melhorar a precisão, mas pode causar inconsistências nas previsões anteriores-algo conhecido como instabilidade na previsão com origem rolante. Este artigo explora um método para tornar as previsões mais estáveis, mantendo-as precisas.

#O Que É Instabilidade na Previsão?

A instabilidade na previsão acontece quando atualizações nas previsões mudam previsões anteriores para o mesmo período. Isso pode criar problemas, especialmente quando essas previsões são usadas para decisões empresariais importantes. Imagine uma empresa dependendo de uma previsão de demanda, apenas para descobrir que previsões atualizadas alteram significativamente seus planos, o que pode levar a estoque excessivo ou entregas apressadas. O desafio é equilibrar precisão-o quão corretas são as previsões-com estabilidade-o quão consistentes elas são ao longo do tempo.

#A Necessidade de Estabilidade na Previsão

As empresas costumam usar previsões para fazer planos. Quando essas previsões mudam drasticamente, isso pode levar a erros caros. Por exemplo, uma empresa pode ter que alterar seus planos de suprimento, resultando em desperdício de recursos ou oportunidades perdidas. Manter uma previsão estável pode ajudar as empresas a evitar esses problemas, mas ter previsões precisas também é super importante. Idealmente, as empresas querem melhorar a estabilidade das previsões sem perder precisão.

#Modelos Atuais e Suas Limitações

Avanços recentes nas técnicas de previsão, especialmente com modelos de aprendizado profundo como o N-BEATS, buscam abordar tanto a precisão quanto a estabilidade. O N-BEATS é um método que mostrou um desempenho forte em previsões de séries temporais. Uma versão modificada chamada N-BEATS-S foi desenvolvida para incluir a estabilidade como um objetivo adicional durante o treinamento. Este modelo usa uma fórmula que combina precisão e estabilidade em um único objetivo.

Embora o N-BEATS-S possa reduzir a variabilidade das previsões sem sacrificar a precisão, ainda há espaço para melhorias. Ajustando a ênfase colocada na precisão em relação à estabilidade durante o treinamento, pode ser possível alcançar resultados ainda melhores.

#Pesagem Dinâmica de Perda para Melhorar a Estabilidade

A pesagem dinâmica de perda é uma técnica que modifica a importância dada à estabilidade ou precisão durante o treinamento de modelos de previsão. Em vez de se ater a pesos fixos, esse método permite flexibilidade, mudando a importância dos dois objetivos conforme o modelo aprende.

A ideia é focar inicialmente na precisão, já que alcançar um bom nível de precisão é geralmente mais tranquilo. Uma vez que um nível satisfatório tenha sido atingido, o modelo pode então começar a priorizar a estabilidade sem sacrificar a precisão. Essa abordagem mostrou ser promissora em cenários semelhantes de aprendizado multitarefa, que visam melhorar o desempenho geral otimizando múltiplos objetivos ao mesmo tempo.

#A Abordagem da Pesquisa

Nesta pesquisa, o foco é aplicar técnicas de pesagem dinâmica de perda ao modelo N-BEATS-S. Especificamente, o objetivo é ver se ajustes na forma como o modelo é treinado podem melhorar ainda mais a estabilidade das previsões sem comprometer a precisão.

Três principais contribuições são feitas:

1. Alguns métodos existentes de pesagem dinâmica de perda melhoram a estabilidade sem perder precisão.
2. Um novo método chamado Pesagem Aleatória Consciente de Tarefa (TARW) é proposto, priorizando especificamente a Precisão da Previsão durante o treinamento.
3. A eficácia do TARW e de outros métodos de pesagem dinâmica de perda é testada contra as versões estáticas do modelo N-BEATS-S.

#Metodologia

Este estudo usa dados de duas grandes competições de previsão-M3 e M4. Os participantes dessas competições foram encarregados de criar previsões para uma variedade de dados de séries temporais, com ênfase específica em precisão e estabilidade.

#Conjuntos de Dados

As competições M3 e M4 forneceram uma variedade de dados mensais de séries temporais. Cada série consiste de valores observados consistentes, tornando-os adequados para realizar experimentos de previsão.

#Esquema de Avaliação

Para avaliar os modelos com precisão, um método de previsão rolante é empregado. Essa técnica envolve fazer várias previsões a partir de diferentes pontos de partida e avalia como essas previsões se saem em termos de precisão e estabilidade.

#Modelos de Previsão Comparados

Além do modelo N-BEATS-S com métodos de pesagem dinâmica de perda, as comparações são feitas com vários métodos de previsão tradicionais, incluindo:

• N-BEATS (a versão padrão)
• Suavização Exponencial (ETS)
• Média Móvel Integrada Auto-Regressiva (ARIMA)
• O método THETA

#Metodologia de Treinamento

Todos os modelos foram treinados usando uma estrutura específica para garantir resultados consistentes. Durante o treinamento, foi cuidado para gerenciar o equilíbrio entre precisão e estabilidade. As funções de perda usadas durante esse treinamento foram projetadas para manter a estabilidade numérica enquanto ainda consideravam tanto a precisão quanto as métricas de estabilidade.

#Resultados

Os experimentos mostram que, ao usar métodos de pesagem dinâmica de perda, a estabilidade das previsões melhora significativamente sem uma perda notável de precisão. Especificamente:

• O TARW se destacou como o melhor método para manter a precisão.
• Outros métodos como GradNorm e Weighted GCosSim também se saíram bem em termos de estabilidade.

Nas avaliações dos conjuntos de dados M3 e M4, todos os métodos de pesagem dinâmica de perda superaram os modelos de previsão tradicionais em termos de estabilidade. No entanto, ao medir a precisão, modelos tradicionais como ETS e THETA às vezes se saíram melhor do que os modelos de aprendizado profundo em conjuntos de dados menores.

#Discussão dos Resultados

Analisando mais a fundo os achados, fica claro que os métodos de pesagem dinâmica de perda tiveram um impacto substancial. Por exemplo, o GradNorm buscou ajustar os desequilíbrios nas taxas de aprendizado entre precisão e estabilidade, enquanto o Weighted GCosSim demonstrou que ambas as tarefas poderiam estar relacionadas para alcançar um desempenho geral melhor.

#Insights do TARW

O TARW, em particular, foi eficaz devido ao seu foco em randomizar os pesos de perda, permitindo uma exploração de como diferentes caminhos de treinamento poderiam influenciar os resultados. Essa abordagem estocástica proporcionou flexibilidade, ajudando a evitar ótimos locais durante o treinamento que poderiam levar a um desempenho ruim.

#Conclusões

O estudo conclui que os métodos de pesagem dinâmica de perda, especialmente o TARW, podem melhorar significativamente a estabilidade das previsões enquanto mantêm a precisão intacta. Essa descoberta tem implicações para empresas que dependem de previsões precisas para tomar decisões críticas.

#Direções Futuras de Pesquisa

Embora esta pesquisa tenha avançado na estabilidade das previsões, são necessários mais estudos para:

• Explorar como a estabilidade pode ser incorporada em outros métodos de previsão.
• Investigar o uso de pesagem dinâmica de perda em diferentes ambientes além do N-BEATS.
• Examinar os efeitos do tamanho do ensemble no desempenho das previsões.

Ao abordar essas áreas, o campo da previsão pode continuar a evoluir e desenvolver métodos mais robustos para garantir que as previsões sejam tanto precisas quanto estáveis, levando a uma melhor tomada de decisão em várias indústrias.