案例库 · 软件与 IT · 技术决策 · 2021–2024
亚马逊借助签名变换将货运市场费率预测精度提升5倍
亚马逊的签名变换模型将费率时间序列转换为回归特征，比行业模型好5倍，自2021年以来每年节省超过5000万美元。
亚马逊
解法
货运市场运费率随周期、冲击和不同线路而波动，预测不准会推高货主的网络成本和采购决策。亚马逊的中程卡车运输团队需要能够经受极端扰动的稳健预测，而不仅仅是平稳时期的预测。
他们的解决方案基于签名变换：一种数学算子，其普遍非线性使特征空间线性化。他们没有训练重型序列模型，而是将费率序列转换为签名特征，并拟合线性回归，而签名核则比较时间序列的相似性，使制度变化明确显现。
该算法已在亚马逊中程卡车运输业务中部署，预测准确度远高于商业可用的行业模型——高出五倍以上——自2021年以来，预计每年节省超过5000万美元。
生效的原因
- 将特征空间线性化，把非参数问题转化为稳定、可解释的回归，而不是黑箱预测。
- 签名核显式跟踪季节性和制度切换，因此模型能对市场制度变化做出反应，而固定窗口模型对此无能为力。
- 可解释性和准确性同样重要：操作人员能看到费率预测的原因，并在疫情和冲突冲击期间信任它。
取得的成效签名变换将价格时间序列线性化神来之笔
可借鉴之处
在给困难的预测问题加更大的模型之前，尝试转换输入：签名变换把混乱的时间序列变成普通线性回归能读的特征。
后续进展
该技术入围2024年丹尼尔·H·瓦格纳奖（Daniel H. Wagner Prize）高级分析和运筹学实践卓越奖决赛，并发表在《INFORMS应用分析杂志》上。亚马逊已将该模型用于其中程卡车运输采购，自2021年以来有记录的年度节省超过5000万美元。
资料来源
- Transportation Marketplace Rate Forecast Using Signature Transform
- Transportation Marketplace Rate Forecast Using Signature Transform
发现哪里写错了？告诉我们。