《Forecasting》：Accelerating Probabilistic Forecasting: A GPU-Based Approach to Reducing Computational Time
编辑推荐：
基于通用图形处理单元（GPU）的高性能计算是减少计算时间的强大工具。在大数据日益重要的背景下，GPU可能发挥关键作用。本研究通过实施基于单指数平滑与模拟预测分布相结合的概率预测来分析GPU的性能。在供应链环境中，公司必须在SKU层面生成大量预测。因此，减少计算
基于通用图形处理单元（GPU）的高性能计算是减少计算时间的强大工具。在大数据日益重要的背景下，GPU可能发挥关键作用。本研究通过实施基于单指数平滑与模拟预测分布相结合的概率预测来分析GPU的性能。在供应链环境中，公司必须在SKU层面生成大量预测。因此，减少计算时间可提供显著的竞争优势。由于预测通常是针对每个SKU独立计算的，该问题天然可并行化，非常适合GPU计算。据研究人员所知，这是首个将GPU计算应用于供应链背景下需求预测的研究。首先，研究人员展示了如何将典型的概率预测算法适配到并行计算框架中。然后，使用一家制造企业的真实数据来比较GPU与传统CPU实现。结果表明，与基于CPU的实现相比，GPU可提供28倍至42倍的计算加速。
随着数字化进程的推进，供应链领域产生了海量数据，这些数据来自企业资源计划（ERP）系统、分布式制造环境、物流运营、社交媒体、客户购买行为以及GPS、RFID等来源。大数据通常以5V特征（volume, velocity, variety, value, veracity）刻画，其规模与复杂性对传统数据分析方法构成挑战。预测准确性提升是大数据带来的主要收益之一，而预测分析则更强调计算效率。然而，目前仍缺乏关于预测方法如何适应大数据环境的实证研究。需求计划与库存管理需要概率预测以支持安全库存和再订货点决策，传统串行计算方法虽然简单，但基于模拟的概率预测计算成本高昂。因此，本研究旨在探索利用GPU加速这类计算，将典型概率预测算法适配到并行计算框架中。
研究人员开展了一项基于GPU并行计算的概率预测研究。他们采用一家国际个人护理行业的英国制造企业的真实数据集，该数据集包含173个SKU，每个SKU有229个观测值，并通过有放回重采样将数据扩展至更大规模（100至5000个SKU）。研究在MATLAB中实现单指数平滑（SES）与蒙特卡洛模拟，比较GPU与传统CPU实现的计算时间和预测准确性。结果表明，GPU实现可获得28倍至42倍的加速比，同时保持相同的预测准确性。这一发现使大规模SKU组合下的概率预测变得可行，支持更频繁地更新预测、安全库存和再订货点，从而更快响应需求变化。该论文发表在《Forecasting》。
研究采用的主要技术方法包括：点预测使用单指数平滑（SES），并利用MATLAB的filter函数将SES表示为传递函数以支持并行化；平滑参数通过网格搜索或fmincon优化，网格搜索在[0,1]区间内以固定间隔评估均方误差（MSE）；在测试集上计算残差，用其均值和方差作为蒙特卡洛模拟中高斯噪声的输入，为每个SKU生成m=5000个模拟复制；使用Philox 4×32随机数生成器（GPU版）生成并行随机数；采用平均相对平均绝对误差（AvgRelMAE）衡量预测准确性，加速比衡量计算效率。样本数据来自Barrow和Kourentzes先前分析过的英国个人护理行业制造企业，包含173个SKU，每个229个观测；实验硬件为双Intel Xeon处理器、128 GB RAM、Quadro GP100 GPU（16 GB、3584 CUDA核心）。
### 5.1 预测准确性分析
通过比较fmincon优化与网格搜索优化在不同网格大小g下，对全部SKU和多个预测视界计算AvgRelMAE。结果显示，对于短预测视界，少于5个网格点即可达到与fmincon相当的准确性；对于较长预测视界，约g=40可提供相似结果。基于此，后续实验采用保守的g=50。该结果与文献一致，即较粗的网格可在保持预测准确性的同时显著降低计算复杂度。
### 5.2 计算性能分析
通过重采样扩展数据集至不同规模，计算GPU与CPU实现的加速比。结果显示，GPU实现相对于CPU实现（无论采用fmincon还是网格搜索）均取得显著加速，加速比范围在32倍至42倍之间。当CPU和GPU采用相同的网格搜索时，加速比更高；SKU数量n越大、网格大小g越小，加速比越大。值得注意的是，加速比并非随n单调递增，而是存在一个最优值，这主要归因于内存限制及CPU-GPU之间的通信开销。进一步的计算时间展示表明，GPU在计算时间上具有显著优势，并且当SKU数量增加时，优势更为明显。此外，在CPU上从fmincon切换为网格搜索并未显著减少计算时间，这突显了GPU并行化的独特价值。
### 5.3 讨论
获得的加速比与文献中其他GPU加速的组合优化和运筹学问题一致，例如背包问题（26倍）、最大权团问题（12倍）和p中位问题（10倍至57倍）。这是首次在多SKU需求预测背景下分析GPU性能。重要的是，使用标准的非CUDA方法（SES+网格搜索+蒙特卡洛）仅借助MATLAB内置函数即可重构为GPU执行，将基于模拟的概率预测可行性边界扩展到以往对不具备高性能计算专业技能的人员而言计算上不可行的大规模场景。此外，加速比与n之间的非单调关系提示存在最优数据规模，可指导企业将大量SKU分配到多个GPU上，以减轻CPU-GPU通信开销。计算时间的缩减使得更频繁地重新预测和重新优化安全库存与再订货点成为可能，例如从周/月批次更新转向日或日内更新，从而更快地响应需求变化。
### 研究结论
本研究提出了一种在GPU上实现概率预测的并行计算方法。该研究的主要贡献在于计算方面而非方法论方面，即不是提出新的预测模型，而是通过并行计算架构移除基于模拟的概率预测中的顺序瓶颈。实证结果表明，GPU实现相对于标准CPU方法可将计算速度提高28倍至42倍，同时保持相同的预测准确性。需要指出的是，这些结果基于单一预测模型（SES）、单GPU配置以及通过重采样扩展的真实中等规模数据集。这些发现表明，GPU计算可使大规模供应链背景下基于模拟的概率预测变得可行，从而支持库存管理中更高效、更及时的决策。然而，该方法存在局限性：GPU性能增益受内存限制和数据集规模影响，在超大规模应用中可能需要多GPU或分布式计算，并存在使每个GPU加速比最大化的最优数据规模。未来研究一方面应探索更先进的点预测模型（如Holt-Winters或ARIMA），前提是它们可表示为与SES类似的filter/transfer函数以利用MATLAB的GPU功能；另一方面可考虑非高斯误差分布、bootstrap和bagging等替代模拟技术，但需解决保持时间依赖性的复杂并行采样问题。
