Benchmarking Time Series Forecasting Models: From Statistical Techniques to Foundation Models in Real-World Applications

要約

時系列予測は、ホスピタリティ業界の運用インテリジェンスに不可欠であり、特に大規模な分散システムでは挑戦的です。
この研究では、ドイツの何千ものレストランのネットワークからの実際のデータを使用して、14日間の地平線で1時間ごとの売り上げを予測する統計、機械学習（ML）、ディープラーニング、および基礎モデルのパフォーマンスを評価します。
予測ソリューションには、気象条件、カレンダーイベント、時刻のパターンなどの機能が含まれます。
結果は、MLベースのメタモデルの強力なパフォーマンスを示し、ChronosやTimesFMなどの基礎モデルの新たな可能性を強調します。これは、最小限の機能エンジニアリングで競争力のあるパフォーマンスを提供し、事前に訓練されたモデルのみを活用します（ゼロショット推論）。
さらに、ハイブリッドPyspark-Pandasアプローチは、大規模な展開で水平方向のスケーラビリティを達成するための堅牢なソリューションであることが証明されています。

要約(オリジナル)

Time series forecasting is essential for operational intelligence in the hospitality industry, and particularly challenging in large-scale, distributed systems. This study evaluates the performance of statistical, machine learning (ML), deep learning, and foundation models in forecasting hourly sales over a 14-day horizon using real-world data from a network of thousands of restaurants across Germany. The forecasting solution includes features such as weather conditions, calendar events, and time-of-day patterns. Results demonstrate the strong performance of ML-based meta-models and highlight the emerging potential of foundation models like Chronos and TimesFM, which deliver competitive performance with minimal feature engineering, leveraging only the pre-trained model (zero-shot inference). Additionally, a hybrid PySpark-Pandas approach proves to be a robust solution for achieving horizontal scalability in large-scale deployments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google