具有一致聚合的概率预测

Jul, 2023

Probabilistic Forecasting with Coherent Aggregation

Geoffrey Négiar, Ruijun Ma, O. Nangba Meetei, Mengfei Cao, Michael W. Mahoney

TL;DR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。

Abstract

Obtaining accurate probabilistic forecasts while respecting hierarchical information is an important operational challenge in many applications, perhaps most obviously in energy management, supply chain planning, and resource allocation. The basic challenge, especially for multivariate

probabilistic forecasts hierarchical information factor model coherent forecasts convolutional neural network

发现论文，激发创造

分层学习：预测稳合时空个体和聚合建筑负载

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

分层正则化深度预测

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

PROFHIT：层次时间序列的概率鲁棒预测

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

深度预测因素

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

规模化的层次预测

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

刚性的伤害：概率层次时间序列预测的软一致性正则化

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

层次混合网络用于连贯的概率预测

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

具有贝叶斯建模的分层时间序列预测

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

基于 Kullback-Leibler 散度的概率性预测协调正则化

本文介绍了一种新的概率预测调和方法，该方法将预测步骤和调和步骤融合到一个深度学习框架中，通过引入 Kullback-Leibler 散度正则化项使调和步骤更加灵活和软性，实验结果表明该方法在三个层次时间序列数据集上相比其他概率预测调和方法具有优势。

Nov, 2023

如何预测风力发电厂的发电量？通过利用层级结构洞察

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