Методы машинного обучения для прогнозирования цензурированного спроса

В данной работе анализируется новый подход к прогнозированию спроса в ритейле с учетом цензурированности данных и использованием методов машинного обучения. Одним из существенных пробелов при прогнозировании спроса методами машинного обучения является неучет цензурированности данных при построении прогноза. Эконометрические подходы к моделированию цензурированного спроса используются для получения состоятельных и несмещенных оценок параметров. Эти подходы могут быть перенесены также и в различные классы моделей машинного обучения для уменьшения ошибки прогноза будущих цен или объемов продаж. В данном исследовании мы строим две ансамблевые модели спроса с учетом и без учета цензурированности спроса, агрегируя прогнозы по таким методам машинного обучения, как Ridge Regression, LASSO Regression и Random Forest. Оценив прогнозные свойства обеих моделей, мы эмпирически доказываем лучшую предсказательную способность модели, учитывающей цензурированный характер спроса.