Könnyű STGNN: hosszú távú idősor-előrejelzés valós üzleti haszonnal

Egy kórházi ügyeletvezetőnek nem az a legnagyobb kérdése, hogy holnap hány beteg érkezik, hanem hogy mi várható hetekre–hónapokra előre: mennyi ágy kell, hány nővér legyen műszakban, mikor fognak elfogyni a kritikus fogyóanyagok. Ugyanez a logika a kiskereskedelemben is kíméletlenül igaz: egy e-kereskedelmi vezetőnek nem a holnapi rendelésszám a fő stresszforrás, hanem a hosszú távú kereslet, amihez készletet, logisztikát és marketingbüdzsét kell igazítani.

A hosszú távú előrejelzés mégis az egyik legnehezebb AI-feladat. Nem azért, mert ne lenne adat, hanem mert sok változó hat egymásra egyszerre: szezonok, trendek, láncreakciók (pl. „ha itt nő a forgalom, ott késik a kiszállítás, amott nő a panasz”). Egy friss kutatás, a Lite-STGNN (lightweight Spatial-Temporal Graph Neural Network) pont erre ad egy meglepően gyakorlati választ: kompakt, gyorsan tanítható modell, ami hosszú horizonton (akár 720 lépés) is erős pontosságot hoz, miközben nem igényel „óriás” transformer infrastruktúrát.

A posztban azt mutatom meg, miért érdekes ez a megközelítés a „Mesterséges intelligencia a kiskereskedelemben és e-kereskedelemben” sorozat szempontjából, és hogyan lehet a gondolatot egészségügyi erőforrás-tervezésre (és vissza) átültetni.

Miért véreznek el a hosszú távú előrejelzések a gyakorlatban?

A hosszú távú idősor-előrejelzés ott szokott szétesni, ahol a vezetőknek a legjobban fáj: a döntéstámogatásnál. Rövid távon (napok) még működik a „tegnap is így volt” logika. De hetek-hónapok távlatában már együtt élünk:

• Trenddel (lassú eltolódások: növekvő forgalom, demográfiai változás, szolgáltatási csatornák átrendeződése)
• Szezonalitással (ünnepek, influenzaszezon, iskolakezdés, akciós időszakok)
• Térbeli/kapcsolati hatásokkal (üzletek egymásra hatása, raktár–futár–átvételi pont hálózat; kórház–járás–háziorvosi körzet)

A valóságban a vezetők gyakran két rossz opció között választanak:

1. Egyszerű baseline (lineáris modell): gyors és stabil, de elnézi a hálózati hatásokat.
2. Nagy transformer: sokszor pontosabb, de drága, lassú, nehéz üzemeltetni, és gyakran „fekete doboz”.

A Lite-STGNN pont azt üzeni: nem kell feltétlenül óriásmodell ahhoz, hogy hosszú távon is használható előrejelzést kapjunk. A jó építőkockák számítanak.

Mit csinál másképp a Lite-STGNN, és miért számít ez?

A Lite-STGNN egy tér-idő graf neurális háló. Emberi nyelven: úgy kezeli a többváltozós idősorokat, mintha csomópontok lennének egy hálózatban (pl. üzletek, raktárak, osztályok, telephelyek), amelyek hatnak egymásra, és mindegyiknek van saját időbeli mintázata.

A paper absztraktjából három olyan elem van, amit én kifejezetten „üzlet-kompatibilisnek” érzek:

1) Trend–szezon felbontás: előbb rendet tesz az időben

A modell időbeli része dekompozíciót használ: külön kezeli a trendet és a szezonalitást. Ez nem csupán matematikai szépség.

• Kiskereskedelemben: más döntést hozol, ha a karácsonyi csúcsot látod (szezon), vs. ha azt, hogy a termékkategória folyamatosan feljebb csúszik (trend).
• Egészségügyben: más, ha az influenzaszezon pörgeti fel a sürgősségit, és más, ha egy körzetben tartósan romlik az alapellátás elérhetősége.

A dekompozíció nagy előnye: stabil baseline-t ad. Innen érdemes „okosan” javítani.

2) Tanulható, ritka gráf: nem feltételezi előre a kapcsolatokat

Sok szervezet ott bukik el, hogy a „térbeli kapcsolatokat” kézzel próbálja megadni:

• melyik üzlet melyikre hat,
• melyik raktár melyik régiót szolgálja,
• melyik kórház melyik járásból szívja a terhelést.

A Lite-STGNN ehelyett tanulható szomszédsági mátrixot használ, és Top-K módon ritkítja is: azaz csomópontonként csak a legfontosabb kapcsolatok maradnak.

A gyakorlatban ez két dolgot ad:

• lokalitás: nem akar mindent mindennel összekötni, így kisebb a zaj
• értelmezhetőség: ha megnézed a tanult kapcsolatokat, gyakran kiderülnek „rejtett” függések (pl. egy kis üzlet valójában egy közeli átvételi pont forgalmát követi)

A cikk szerint a Top-K komponens +3,3% javulást hoz a „lokálisabb” kapcsolatok miatt. Ez az a fajta plusz, ami hosszú horizonton pénzt jelent: kevesebb túlkészlet, kevesebb kapacitás-pánik.

3) Konzervatív, horizontonkénti kapuzás: óvatos korrekció a baseline felett

A modell nem akar mindent újraírni. A logika: legyen egy erős lineáris alap, és a térbeli modul inkább korrekciókat adjon, nem teljes kontrollt.

A paper szerint a térbeli modul önmagában +4,6% javítást ad a tisztán időbeli baseline-hoz képest.

Nekem ez azért szimpatikus, mert ez az „üzemi” AI egyik alapszabálya:

„Az a modell jó, ami nem csak átlagban pontos, hanem akkor is stabil, amikor baj van.”

Hosszú távon a túl agresszív modellek hajlamosak elszállni. A konzervatív gating erre egy praktikus ellenszer.

Konkrét alkalmazások: e-kereskedelem és egészségügy ugyanazt a mintát követi

A Lite-STGNN-t a kutatás több benchmarkon teszteli, és akár 720 lépéses horizontig is erős pontosságot mutat, miközben paraméterhatékony és gyorsabban tanítható, mint sok transformer-alapú megoldás. Ez a „könnyű” jelleg különösen fontos ott, ahol a modelleket gyakran kell frissíteni.

E-kereskedelem: kereslet-előrejelzés hálózati torzulásokkal

E-kereskedelemben a kereslet nem csak „termék-idősor”. Hálózat is:

• régiók egymásra hatása (szállítási idők, kampányok)
• csatornák (web, app, marketplace) közti átterelődés
• logisztikai csomópontok kapacitás-limitjei

Gyakorlati példa: ha egy budapesti raktár telítődik, csúszik a kiszállítás, nő a lemondás, majd a következő hetekben a kereslet részben átmegy egy másik csatornára vagy átvételi pontra. Ez tipikusan grafos történet.

A Lite-STGNN típusú megközelítés itt azt adja, hogy a modell nem csak azt látja, hogy „esett a rendelés”, hanem azt is, hogy a hálózatban hol volt a feszültség, és ezt képes hosszabb távon is beárazni.

Egészségügy: betegforgalom, ágykapacitás, ellátási lánc

A kampányunk szempontjából a legkézzelfoghatóbb nyereség a kórházi erőforrás-tervezés:

• sürgősségi betegszám előrejelzés osztályonként
• ágykihasználtság, ápolói kapacitás tervezése
• laborterhelés és mintaszám előrejelzés
• gyógyszer- és fogyóanyag-igény (pl. infúziók, védőeszközök)

Itt a „tér” nem csak földrajz. Tér lehet:

• beutalási hálózat (háziorvos → szakrendelő → kórház)
• osztályok közti betegáramlás
• mentőellátási körzetek

A Lite-STGNN egyik legerősebb ígérete, hogy a tanult gráf megmutatja, hol vannak a valós kapcsolatok. Ez támogatja a vezetői kérdést: „Ha itt szűkítünk kapacitást, hol fog kidudorodni a terhelés?”

Hogyan vezess be „könnyű” előrejelző modellt úgy, hogy legyen belőle üzleti eredmény?

A modellarchitektúra önmagában nem hoz leadet, ha nincs implementációs terv. Itt egy rövid, kipróbált keret, amit kiskereskedelmi és egészségügyi adatoknál is működőképesnek látok.

1) Kezdd erős baseline-nal (és tartsd meg)

A Lite-STGNN szemlélete: a baseline nem szégyen, hanem alap.

• építs egy trend+szezon baseline-t (akár egyszerű lineáris komponensekkel)
• mérd külön az egyes horizontokat (pl. 1 hét, 4 hét, 12 hét)

A cél: lásd, hol romlik el a pontosság, mielőtt gráffal „javítanál”.

2) Definiáld a csomópontokat és a valós döntési KPI-t

Ne „adat szerint” modellezz, hanem döntés szerint.

• e-kereskedelem: csomópont lehet régió, raktár, átvételi pont, termékkategória
• egészségügy: csomópont lehet osztály, telephely, ellátási körzet

KPI példák:

• készlethiányok száma / túlkészlet értéke
• átlagos kiszállítási idő és késések
• várólista hossza / ágykihasználtság / túlórák

3) Engedd, hogy a gráf tanuljon, de szabályozd a zajt

A Top-K ritkítás lényege: nem minden kapcsolat érdekes.

• tartsd alacsonyan a K-t a pilotban (pl. csomópontonként 3–10 kapcsolat)
• nézd meg a tanult szomszédokat üzletileg: „ez logikus?”

Ha nem logikus, az sokszor adatminőségi probléma (pl. rossz régió-hozzárendelés, hiányzó eseményjelölések).

4) A „gyors tanítás” üzleti fegyver: frissíts gyakrabban

A paper egyik állítása, hogy a modell gyorsabban tanítható, mint transformer megoldások. Ez azért fontos, mert a long-term forecasting gyakran nem azért pontatlan, mert rossz a modell, hanem mert elavul.

Reális cél:

• heti vagy kétheti frissítés retailnél
• havi frissítés egészségügyi kapacitás-tervezésnél (plusz rendkívüli frissítés járványhullámnál)

Gyakori kérdések, amiket a döntéshozók feltesznek (és jogosan)

„Ha könnyű, nem lesz pontatlan?”

Nem. A „könnyű” itt azt jelenti, hogy okosan építkezik: erős baseline + célzott térbeli korrekciók. A paper benchmarkokon state-of-the-art pontosságot jelez, miközben paraméterhatékony.

„Mitől lesz érthetőbb, mint egy transformer?”

Két okból:

1. trend/szezon komponensek eleve magyarázhatóbbak
2. a tanult gráf megmutatja, mely csomópontok hatnak egymásra

Egy vezetőnek ez sokszor fontosabb, mint a pár tized százalék pontosság.

„Milyen adatokkal érdemes elindulni?”

A minimum csomag:

• idősorok több csomóponton (pl. régiónként napi rendelés, osztályonként napi betegszám)
• eseményjelölések (ünnepnapok, kampányok, leállások)
• stabil azonosítók (ugyanaz a csomópont ugyanaz marad)

Mit érdemes most megtenni, ha hosszú távú előrejelzésből akarsz üzleti előnyt?

A Lite-STGNN üzenete nekem nagyon egyszerű: a hosszú távú előrejelzésnél a jó kompromisszumok nyernek. Nem a legnagyobb modell, hanem a jól strukturált időbeli logika és a kontrollált hálózati korrekciók.

Ha kiskereskedelemben vagy e-kereskedelemben dolgozol, ez közvetlenül lefordítható kereslet-előrejelzésre, készletoptimalizálásra és logisztikai kapacitástervezésre. Ha egészségügyi intézményben vagy beszállítói oldalon vagy érintett, ugyanaz a minta működik betegforgalom-, ágy- és humánerőforrás-tervezésnél.

Ha szeretnéd, írok egy rövid pilot-tervet (2–4 hét) arra, hogyan lehet Lite-STGNN szemléletű modellt kipróbálni a saját adataidon: milyen adatkivonat kell, milyen KPI-t mérj, és hogyan nézzen ki egy vezetői dashboard. Te melyik területet érzed most a legsürgetőbbnek: készlet, logisztika, vagy kapacitás?