我们专注于从贝叶斯角度进行预测调和，提出了一种方法来预测调和，并定义了具有线性结构的普通情况 - 线性高斯调和。我们在合成和真实数据集上评估了这些方法，并将它们与该领域的其他工作进行了比较。
Aug, 2023
提出了一种基于机器学习回归器的多维层级预测方法，并使用统一框架协调空间和时间层次，在两个不同的案例研究中对其进行了评估，以预测建筑电负荷，为未来的预测回归器提供了方法和路径。
Jan, 2023
本文介绍一种基于图形结构的方法，用于在时间序列预测的深度学习中统一相对和层次的归纳偏见，该方法相对其他方法效果更佳。
May, 2023
PROFHIT 提出了一种全概率层次预测模型，它通过引入 Distributional Coherency 正则化来从层次关系中学习完整预测分布，从而实现鲁棒和校准的预测，能够适应变化的层次一致性，并在广泛的数据集上获得了比其他方法高达 41-88％的准确性和校准性能提升，在数据缺失时仍能提供可靠的预测。
Jun, 2022
通过使用稀疏损失函数直接优化层次产品和 / 或时间结构，我们提出了一种使用单个底层预测模型学习数百万时间序列的连贯预测的方法。我们的稀疏层次损失函数的好处是为从任意选定的横向或时间层次产生连贯底层预测的实践者提供了一种方法。此外，消除了传统层次预测技术中所需的后处理步骤，从而降低了预测流程中的计算成本。在公开的 M5 数据集上，我们的稀疏层次损失函数的表现比基准损失函数提高了 10%（RMSE）。我们将稀疏层次损失函数应用于欧洲一家大型电子商务平台的现有预测模型中，在产品层面上改善了 2% 的预测性能。最后，我们发现在我们定义的横向层次上评估预测性能时，预测性能提高了约 5-10%。这些结果证明了我们的稀疏层次损失应用于主要电子商务平台的生产预测系统的有用性。
Oct, 2023
该论文提出了基于 Python 的预处理公共数据集，评估指标和编译的统计基线模型的 HierarchicalForecast 库，旨在将统计学和计量经济学建模与机器学习预测研究结合起来。
Jul, 2022
PROFHiT 是一种完全概率性的分层预测模型，通过灵活的概率贝叶斯方法和引入新颖的分布一致性正则化，能够从分层关系中学习整个预测分布，从而实现鲁棒和校准的预测，并适应具有不同分层一致性的数据集。评估结果显示，PROFHiT 在准确性方面表现出了 41-88% 的改进，并且具有更好的校准性。此外，由于对整个分布的一致性建模，当输入时间序列数据缺失 10% 时，PROFHiT 仍然能够提供可靠的预测，而其他方法的性能会下降超过 70%。
提出一种新的损失函数，可与任何最大似然目标相结合，并可用于具有层次数据的预测时间序列，从而生成具有置信区间的协调估计，以正确地考虑由于不完美的调节而产生的额外不确定性。
Jun, 2019
我们研究了一种新颖的集成方法，用于处理非稳态和样本有限、特征数量庞大的特征选择问题。通过利用特征之间的相互依赖关系，我们提出的层次结构方法克服了传统特征选择方法和特征重要性评分的局限性，并在合成和实际数据集上展示了可伸缩性和稳定性方面的改进性能。
本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。
May, 2019