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
Forecasting multiple functional time series in a group structure: an application to mortality
在对地方死亡率进行建模时,我们应该考虑三个特点:(1)如何通过多人口联合建模来考虑各亚人口之间的任何可能的相关性,以潜在地提高预测准确性;(2)如何协调地方死亡率预测,以便它们在群体结构的各个层次上充分聚合;(3)在各种预测调节方法中,如何将它们的预测合并,以提高预测的准确性。为了解决这些问题,我们引入了一个扩展的分组单变量函数时间序列方法。我们首先考虑一个多元函数时间序列方法来联合预测多个相关序列。然后,我们评估的影响和效益,使用预测组合之间的预测调节方法。使用日本地区的年龄别死亡率,我们调查一步前进到15步前进点和区间预测精度,我们提出的扩展,并提出建议。
2020-01-10 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
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
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
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
Coherent forecast combination for linearly constrained multiple time series
University of Padua(帕多瓦大学)
本文针对线性约束多时间序列,提出基于优化的一致预测组合方法,给出闭式解并通过模拟与澳大利亚电力数据验证其性能提升。
2026-11-09 stat.AP stat.CO stat.ME