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%。

Oct, 2023

本研究提出了一种可扩展的分层预测方法，利用基础时间序列的系数对分层约束进行建模，并使用一个随时间变化的线性自回归模型，同时考虑了相对时间序列预测的协调约束，实验证明该方法相较于现有分层模型具有显著的预测性能提升。

Jun, 2021

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

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

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

通过使用卷积神经网络构建了一个新模型，利用因子模型结构生成一致的预测结果；在三个层次预测数据集上相比其他方法显著提高了 11.8% 至 41.4%；同时分析了基层分布和因子数量对模型参数的影响。

Jul, 2023

利用条件归一化流对不规则采样时间序列进行概率预测，解决了缺失值问题，并且相比先前最佳模型，提供了 4 倍更高的似然度。

Feb, 2024

通过采用渐进式提升树和神经网络模型的混合方法，本文解决了点预测和概率预测问题。我们的方法包括将任务转化为对单日销量的回归、信息丰富的特征工程、创建一组多样化的先进机器学习模型以及精心构建的验证集用于模型调优。通过选择多样的机器学习模型和重要的验证示例，我们的方法在精确性和不确定性跟踪中获得了金牌水平的排名。

Oct, 2023

Hierarchical Mixture Networks (HINT) is a model family for efficient and accurate forecasting, specialized on multivariate mixture with coherence via bootstrap reconciliation, and robustified against time series scale variations with normalized feature extraction and recomposition, achieving 8% sCRPS improved accuracy across five datasets compared to the current state-of-the-art, while conducting ablation studies on its components and investigating theoretical properties.

May, 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