一种用于分层预测的自监督方法及其在分组合成控制中的应用
机器学习
2019-06-26 v1 机器学习
摘要
当预测具有层次结构的时间序列时，现有最先进方法是独立预测每个时间序列，并在后处理步骤中以尊重层次结构的方式协调这些时间序列 (Hyndman et al., 2011; Wickramasuriya et al., 2018)。我们提出了一种可纳入任意带层次数据的最大似然目标的新损失函数，从而得到协调估计及置信区间，其正确计入了由不完美协调带来的额外不确定性。我们使用一个非线性模型及关于反事实预测问题的合成数据评估了我们的方法，其中我们可以获得真实值与同期协变量，并表明相较现有最先进方法我们有大幅改进。
引用
@article{arxiv.1906.10586,
title = {A Self-supervised Approach to Hierarchical Forecasting with Applications to Groupwise Synthetic Controls},
author = {Konstantin Mishchenko and Mallory Montgomery and Federico Vaggi},
journal= {arXiv preprint arXiv:1906.10586},
year = {2019}
}
备注
ICML Time Series workshop 2019. 6 pages, 1 figure, 1 table