研究通过 hierarchies、linear regression 和 machine learning 方法比较不同时间和横截面调和方法的准确性，发现 cross-temporal reconciliation 能在多个时间聚合上优于 individual cross-sectional reconciliation，同时机器学习模型在较粗的时间粒度上也表现出高准确性，鼓励其在短期风力预测中的采用。此外，研究还发现在横截面风力时间序列上，线性回归模型可以胜过机器学习模型。

Aug, 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

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

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

通过分层对调和曲线的构建和解构，以及对几种前沿的对调方法的分析以及实证研究德国日前电力拍卖市场的需求和供给曲线预测，证明了分层对调方法在提高这种曲线预测准确性方面是可行的。

May, 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

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

机器学习和深度学习的快速发展使得在电力系统的电力负荷预测等应用方面取得了广泛的成果。本文提出了一种可解释的深度学习方法，通过学习每个神经网络对输入时间特征进行关注的线性组合来实现。并且，我们提出了多尺度时序分解方法来处理复杂的时间模式。在比利时中央电网负荷数据集上进行了案例研究，结果表明所提出的模型相对于频繁应用的基准模型具有更好的准确性。此外，本方法不仅能展示特征的解释性，还能展示与其他基准方法相比的时间解释性，同时还能获得全局时间特征的解释性，这使得我们能够捕捉到负荷数据的整体模式、趋势和周期性，同时揭示了各种与时间相关的特征在形成最终输出中的重要性。

Feb, 2024

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