Cross-temporal forecast reconciliation: Optimal combination method and heuristic alternatives
本文提出迭代跨时间预测协调程序及最优点预测闭式解,同时处理同期和时间层级约束,并在澳大利亚GDP季度数据上验证其优于单维度协调方法。
2020-10-19 stat.ME
Enhancing Forecasts Using Real-Time Data Flow and Hierarchical Forecast Reconciliation, with Applications to the Energy Sector
本研究提出一种结合实时数据的分层预测更新框架,通过拓展分层预测调和处理部分观测数据,经模拟实验和能源领域两个案例验证,其预测精度与一致性均优于未更新的基础模型,可提升决策准确性。
2024-11-03 stat.ME
Bayesian Reconciliation of Overlapping Multi Step Forecasts: A Post Processing Framework for Cross Origin Coherence
University of São Paulo(圣保罗大学)
针对多步预测中跨来源不一致性问题,提出模型无关的贝叶斯后处理协调框架,通过状态空间模型联合校准重叠预测,显著降低不一致性并提升区间覆盖率。
2026-11-03 stat.ME
Rediscovering Bottom-Up: Effective Forecasting in Temporal Hierarchies
本研究探讨时间层级中预测协调方法对时间聚合ARIMA模型的影响,首次在理论上证明最优方法为自下而上的聚合,并通过模拟和真实数据验证了该发现。
2024-09-26 stat.ME
Properties of point forecast reconciliation approaches
在过去的十年里,时间序列的收集与线性聚合约束的点预测协调已经有了很大的发展。一些常用的方法是GLS(广义最小二乘),OLS(普通最小二乘),WLS(加权最小二乘)和MinT(最小迹)。GLS和MinT具有类似的数学表达式,但它们的不同之处在于所使用的协方差阵。OLS和WLS可以被认为是MinT的特殊情况,它们的不同之处在于对协方差阵的结构所做的假设。所有这些方法都确保了调和预测是无偏的,前提是基础预测是无偏的。经验风险最小化方法的提出放宽了无偏性假设。本文证明了:(a)GLS和MinT可归结为相同的解;(b)平均而言,(我们称之为MinT-U)可以产生比MinT更好的预测(最低总均方误差),然后是OLS,然后是基线;以及(c)MinT-U结构中每个序列的均方误差小于MinT结构中每个序列的均方误差,MinT结构中每个序列的均方误差之后是OLS或基本预测。我们使用一组模拟研究显示这些理论结果。我们还使用澳大利亚国内旅游数据集对其进行评估。
2021-03-20 stat.ME
Optimal reconciliation with immutable forecasts
层次预测中的一致性预测的实际重要性激发了许多关于预测协调的研究。根据这一方法,为层次结构中的每一个系列编制所谓的基本预测,随后在第二个调节步骤中进行调整,使之保持一致。调节方法已被证明可以提高预测的准确性,但通常会调整每个系列的基本预测。然而,在业务背景下,有时有必要或有益的是,在预测调节后保持某些变量的预测不变。在本文中,我们制定和解方法,保持预测的一个预先指定的变量子集不变或“不变”。与现有的方法相比,这些不变的预测不需要都来自同一层次结构,我们的方法也可以应用于分组层次结构。我们证明,我们的方法保留了无偏的基础预测。我们的方法还可以考虑基本预测误差之间的相关性,并确保预测的非负性。我们还进行了实证实验,包括一个大型在线零售商的销售应用程序,以评估我们提出的方法的影响。
2022-04-20 econ.EM stat.ME stat.ML
Exploiting Intraday Decompositions in Realized Volatility Forecasting: A Forecast Reconciliation Approach
本文提出利用RV日内分解的层次结构进行预测协调,并基于道琼斯工业指数及其成分股验证其可提升样本外预测准确性。
2023-06-05 stat.AP stat.ME
Scaleable Dynamic Forecast Reconciliation
本文提出一种可扩展的动态概率预测协调方法,允许权重随时间变化并使用样本外预测,通过闭式协方差估计和层级分解实现大规模数据处理。
2024-09-19 stat.AP stat.ME
Online forecast reconciliation using linear models
Technical University of Denmark(丹麦技术大学)
提出基于线性回归模型的在线自适应预测与层次协调框架,利用矩阵正态分布刻画残差,通过岭回归实现参数估计与协调,并给出递归推理算法,在区域供热负荷预测案例中验证有效性。
2026-06-23 stat.AP stat.ME
Point and probabilistic forecast reconciliation for general linearly constrained multiple time series
本文针对一般线性约束多元时间序列,提出类似结构的预测协调公式,区分自由与受约束变量,并建立概率协调框架,应用于澳大利亚及欧洲GDP预测。
2023-12-22 stat.AP stat.CO stat.ME
Insights into regression-based cross-temporal forecast reconciliation
本文研究跨时间预测协调中顺序、迭代与最优组合方法的等价及收敛关系,并通过光伏发电预测实验验证其精度与高维计算效率。
2024-10-25 stat.AP stat.CO stat.ME
Properties of the reconciled distributions for Gaussian and count forecasts
研究分层预测的概率协调问题,通过条件化分析高斯和计数预测协调分布的方差性质及单层分层协调上均值,,理论证明协调能大幅提升概率预测性能。
2024-02-14 stat.AP stat.ME
Iterative Trace Minimization for the Reconciliation of Very Short Hierarchical Time Series
针对极短且层级较大的时间序列中 MinT 协方差估计困难的问题,提出减少待估参数的迭代迹最小化方法,并通过模拟与 WSTS 半导体案例验证其预测精度提升。
2025-03-19 stat.ME
Balancing Accuracy and Costs in Cross-Temporal Hierarchies: Investigating Decision-Based and Validation-Based Reconciliation
本文提出利用验证误差进行协方差估计和基于决策的聚合层级,在跨时间预测中平衡准确性与决策成本,实验表明基于决策的调和更实用。
2024-12-15 stat.AP stat.ME
Modeling uncertainty in the covariance matrix for probabilistic forecast reconciliation
University of Pavia(帕维亚大学);SUPSI, Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(瑞士应用科学与艺术大学,达莱·莫勒人工智能研究所)
本文提出一种贝叶斯协调模型,通过逆 Wishart 先验和高斯残差假设,使协调后的预测分布服从多元 t 分布,从而改进预测区间。
2026-09-04 stat.CO stat.ME
Probabilistic Reconciliation of Count Time Series
本文针对计数时间序列缺乏概率协调框架的问题,提出适用于实值和计数变量的一致性定义与基于 Bayes' rule 推广的新协调方法,实验证明其相比概率 Gaussian 协调显著提升了预测效果。
2023-04-26 stat.ME stat.ML
Forecast reconciliation with non-linear constraints
University of Padova(帕多瓦大学);Monash University(蒙纳士大学);The University of Melbourne(墨尔本大学)
本文提出非线性约束调和(NLCR)算法,将预测调和扩展到非线性约束时间序列,通过投影到非线性表面求解约束优化问题,并在人口学与经济学数据集上显著提升预测准确性。
2025-10-24 stat.AP stat.ME stat.ML
Cross-temporal probabilistic forecast reconciliation: Methodological and practical issues
本文提出跨时间概率预测调和框架,结合高斯与自举抽样及多步残差协方差估计,通过模拟和GDP、旅游需求实验证明其显著优于不协调预测。
2023-10-27 stat.AP stat.CO stat.ME
Forecast reconciliation meets compositional data analysis: A study of Italian cause-specific age-at-death
University of Foggia(福贾大学);Sapienza University of Rome(罗马智慧大学);University of Campania ”Luigi Vanvitelli”(坎帕尼亚路易吉·凡维特利大学);Macquarie University(麦考瑞大学)
本研究将成分数据分析整合到分层时间序列预测中,提出新框架用于意大利死因别死亡率预测,确保聚合一致性并显著提升预测可靠性,尤其在总死亡率及按死因和性别的预测中表现优于传统方法。
2026-09-17 stat.AP stat.ME
Multivariate reconciliation for hierarchical time series
Federal University of Bahia(巴伊亚联邦大学);Secretary of Health of the State of Bahia(巴伊亚州卫生部);Monash University(莫纳什大学);University of Pretoria(比勒陀利亚大学)
本文提出了一种多变量重新协调方法,用于确保层级时间序列的预测一致性,并考虑变量间的关系。通过数值模拟和实际数据验证,该方法在模拟数据和实际应用中均优于传统方法。
2026-05-18 stat.AP stat.ME
Cross-Temporal Forecast Reconciliation at Digital Platforms with Machine Learning
针对数字平台高维跨截面与跨时间预测协调的需求,提出一种基于机器学习的非线性分层预测协调方法,能直接自动化生成连贯预测并支持高频决策,在配送与共享单车数据集上验证了有效性。
2024-05-31 econ.EM stat.AP stat.ME
Coherence is not enough: Aggregation constraints across predictive distributions, forecasts and decisions
School of Economics and Management, Beihang University(北京航空航天大学经济管理学院)
本文证明预测协调中分布、汇总统计量与决策约束不可互换,刻画线性协调保留分位数的条件,并在旅游数据上展示分位数不一致及损失函数对排名的影响。
2026-09-15 stat.ME
Fully reconciled GDP forecasts from Income and Expenditure sides
我们提出了一个完整的调节程序,导致GDP数字的“一个数字预测”,与收入和支出双方的预测系列一致,并评估其在澳大利亚季度GDP系列上的表现,与Athanasopoulos等人的原始提议相比。
2020-05-10 stat.ME
Coherent Hierarchical Forecasting for Proportion and Discrete Time Series
本文提出一种基于卷积和指数倾斜的事后层次预测方法,用于离散和有界时间序列的相干预测,在模拟和实证中表现优于现有协调方法。
2026-09-17 stat.AP stat.ME
Hierarchical forecasting: The role of information
Monash University(莫纳什大学)
本文提出信息组合(IComb)方法,通过结合不同信息集的基础预测来改进分层时间序列预测,并证明信息组合与聚合约束对预测改进的独立贡献。
2026-05-28 stat.CO stat.ME
Constructing hierarchical time series through clustering: Is there an optimal way for forecasting?
本文研究预测协调中层次结构的构建方式,通过比较多种时间序列聚类表示与距离定义、随机置换实验及跨层次预测平均,发现准确性提升主要来自层次结构而非相似序列分组,且多方法平均表现最佳。
2024-09-08 stat.ME
Hierarchical Bayes meets hierarchical forecasting: A flexible framework for level-focused forecasts
Queensland University of Technology(昆士兰科技大学)
提出全贝叶斯层次预测框架,通过层级间信息共享和软惩罚不连贯性,聚焦决策相关层级,提升预测精度。
2026-11-13 stat.ME
Forecasting Italian daily electricity generation disaggregated by geographical zones and energy sources using coherent forecast combination
针对意大利按地理区域和能源来源分解的每日发电量层级预测不一致问题,提出相干平衡多任务预测组合方法,提升了预测准确性与约束相干性。
2025-02-17 stat.AP stat.ME
Statistical Post-Processing of Forecasts for Extremes Using Bivariate Brown-Resnick Processes with an Application to Wind Gusts
为了提高极端天气的预测,我们提出了一个联合空间模型的观测和预测,基于一个双变量布朗-雷斯尼克过程。由于类的平稳二元布朗-Resnick过程的充分特点是类的伪交叉变差函数,我们有助于伪交叉变差函数的理论理解,完善其所有组件的渐近行为的知识,并引入一个简约的,但灵活的参数模型。这两个发现都是经典地质统计学本身的兴趣。该模型适用于实际观测和预测数据的极端阵风在德国北部的119个站。
2015-05-29 stat.ME
Quantifying Uncertainty with a Derivative Tracking SDE Model and Application to Wind Power Forecast Data
我们开发了一种基于参数伊藤随机微分方程(SDEs)的数据驱动方法,以捕获预测误差的真实非对称动态。我们的预测框架具有时间导数跟踪的预测,随时间变化的均值回归参数,和改进的状态依赖扩散项。证明的存在性,强唯一性,和有界性的非线性解决方案的原则条件下,随时间变化的均值回复参数。通过在原始预测误差空间和Lamperti空间中的矩匹配技术构建的基于近似似然的推断,通过数值优化程序进行。我们提出了另一个贡献的基础上的固定点似然优化方法在Lamperti空间。所有的程序都是预测技术不可知的,它们可以在不同的预测提供商之间进行比较。我们应用我们的可持续发展框架来模拟2019年4月至12月期间乌拉圭的历史标准化风电产量和预测数据。尖锐的经验置信带的未来风力发电的最佳选择的模型。
2021-02-09 stat.ME
Joint probabilistic forecasting of wind speed and temperature using Bayesian model averaging
预报集合通常用于解释未来天气状态预报中固有的预报不确定性。然而,偏差和离散误差往往存在于预测合奏需要统计后处理。单变量后处理模型,如贝叶斯模型平均(BMA)已成功地应用于各种天气量。尽管如此,BMA和许多其他标准的后处理程序都是为单个天气变量设计的,因此忽略了天气量之间可能的依赖关系。根据最近即将进行的开发多变量后处理过程的研究,例如,针对二维风矢量的BMA,即适用于多种不同类型天气量的灵活程序,提出了一种基于二维截断正态分布的二维BMA风速、温度联合校正预报模式。它扩展了单变量截断正态BMA模式设计的后处理集合预报的风速通过添加一个正态分布的温度分量的协方差结构代表两个天气量之间的依赖关系。该方法适用于风速和温度预测的八名成员的华盛顿大学中尺度合奏和11名成员的ALADIN-HUNEPS合奏的匈牙利气象服务和其预测性能相比,一般高斯copula方法。结果表明,改进的校准的概率和精度的点预测相比,原始集合和该模型的整体性能是能够跟上的高斯copula方法。
2014-04-14 stat.ME
Wind Energy: Forecasting Challenges for Its Operational Management
可再生能源,特别是风能,将在向工业和家庭消费者提供电力方面发挥更大的作用。如今,许多欧洲国家已经是这种情况,紧随其后的是美国和高增长国家,例如巴西、印度和中国。在用风能补充现有发电能力方面,存在着一些技术、环境和政治挑战。在这方面,数学家和统计学家可以在气象学和决策的界面上作出重大贡献,为各种业务决策问题提供量身定制的预报。事实上,虽然风能可被视为一种环境友好型能源,但只有在能够适应其可变性和有限的可预测性的情况下,才能充分利用风能。基于其物理基础的简短介绍,考虑风力发电作为一个随机过程的重要性是动机。在描述了市场参与者和系统运营商的代表性运营决策问题后,强调应在概率框架内发布预测。即使最终,预测者可能只传达单值预测。随后描述了现有的风力发电预测方法,重点是单值预测,预测边际密度和时空轨迹。最后讨论了与生成改进的和新类型的预测以及它们对预测用户的验证和价值有关的未来挑战。
2013-12-23 stat.ME
Truncated generalized extreme value distribution based EMOS model for calibration of wind speed ensemble forecasts
近年来,集合天气预报已成为所有主要天气预报中心的例行工作。这些预报是从不同初始条件或模式参数化的数值天气预报模式的多次运行中获得的。然而,集合预报往往分散性不足,也有偏差,因此需要某种后处理来解决这些缺陷。最流行的统计后处理技术之一是集合模型输出统计(EMOS),它提供了一个完整的预测分布的研究天气量。本文提出了一种新的EMOS风速集合预报模型,其预报分布为广义极值分布(GEV)。截断修正了基于GEV分布的EMOS模型偶尔预测负风速值的缺点,而不影响其良好的性能。新模式进行了测试,由三个不同的集合预报系统提供的风速集合预报的四个数据集,覆盖不同的地理区域和时间段。将TGEV EMOS模式的预报技巧与截断正态、对数正态和GEV方法的预报性能以及原始预报和气候预报进行了比较。结果验证了新的TGEV EMOS方法的优点。
2021-03-12 stat.AP stat.ME
Sequential Methods for Error Correction of Probabilistic Wind Power Forecasts
针对风电概率预测误差校正问题,提出结合神经网络与时间自适应分位数回归的NABQR方法,采用LSTM架构,在丹麦风电日前预测中精度最高提升40%,还可用于能源交易,并已开源为Python包。
2025-02-24 stat.AP stat.ME
Log-normal distribution based EMOS models for probabilistic wind speed forecasting
预报集合是从具有不同初始条件的数值天气预报模型的多次运行中获得的,通常用于解释预报的不确定性。然而,预报集合中经常出现偏差和离散误差,它们通常是欠离散和未校准的,需要统计后处理。我们提出了一个包围模型输出统计(EMOS)方法校准风速预测的对数正态(LN)分布的基础上,我们还显示了一个政权切换扩展的模型,结合了以前研究的截断正态(TN)分布与LN。这两个模型被应用到风速预测的8名成员的华盛顿大学中尺度合奏,50名成员的ECMWF合奏和11名成员的ALADIN-HUNEPS合奏的匈牙利气象服务,和他们的预测性能进行比较的TN和一般极值(GEV)分布为基础的EMOS方法和TN-GEV混合模型。结果表明,改进校准的概率和准确性的点预测相比,原始集合和气候预测。此外,TN-LN混合模型优于传统的TN方法,其预测性能能够跟上利用GEV分布的模型,而无需将质量分配给负值。
2014-07-11 physics.ao-ph stat.ME
Sequential Aggregation of Probabilistic Forecasts -- Applicaton to Wind Speed Ensemble Forecasts
在数值天气预报(NWP)领域中,大气未来状态的概率分布是用类似蒙特卡罗的模拟进行采样的,称为集合。这些集合有缺陷(如条件偏差),可以通过统计后处理方法进行纠正。存在几个集合,可以用不同的统计方法进行校正。进一步的步骤是组合这些原始或后处理的集合。专家建议的预测理论使我们能够构建具有预测性能理论保证的组合算法。本文将这一理论应用于以逐步累积分布函数(CDF)形式发布的概率预测。该理论应用于风速预测,通过结合几个原始或后处理的合奏,被认为是CDF。本研究的第二个目标是探索两个预测性能标准的使用:连续排名概率得分(CRPS)和Jolliffe-Primo检验。比较这两个标准得到的结果导致重新考虑通常的方式来建立熟练的概率预测,最小化的CRPS的基础上。根据Jolliffe-Primo检验,最小化CRPS并不一定会产生可靠的预测。Jolliffe-Primo检验通常选择可靠的预测,但可能导致发布CRPS方面的次优预测。建议使用这两个标准,以实现可靠和熟练的概率预测。
2020-05-07 stat.AP stat.ME stat.ML
Asset Bundling for Wind Power Forecasting
Georgia Institute of Technology(佐治亚理工学院)
本文提出 Bundle-Predict-Reconcile 框架,通过学习资产捆绑层级并协调多尺度风电预测,在 MISO 的 283 个风电场数据上显著提升短期与日前预测精度。
2023-09-28 cs.AI stat.AP stat.ME