CoRe：面向层次时间序列的相容性正则化
机器学习
2025-02-25 v1 机器学习
摘要
层次时间序列预测面临独特挑战，尤其是当数据可能不完美遵循聚合约束时。本文提出一种用于层次时间序列中软性相容性的新方法，利用神经网络。我们提出了一种网络相容性正则化方法，称为 CoRe（Coherency Regularization），即在不严格强制执行聚合约束的情况下训练神经网络以产生跨层次具有内在相容性的预测。我们的方法具有若干关键优势：（1）它对层次时间序列的相容性提供了理论保证，即使是超样本数据亦然。（2）它适用于数据可能包含错误或缺失值的情形，比严格的相容性方法更具鲁棒性。（3）它可以轻松集成到现有的神经网络时间序列预测架构中。我们在多个基准数据集上展示了该方法的有效性，比较了在有噪声和无噪声数据情形下的先进方法。此外，该方法可用于现有的生成概率预测框架中，以生成一致的概率预测。我们的结果显示，在数据不一致的情况下，模型实现了更好的泛化和预测精度。在各种数据集上，包括严格遵循层次相容性和噪声数据，我们的训练方法在所有层次上都以相等或更好的精度实现，而在超样本预测中则严格比现有的软相容性方法更具相容性。
引用
@article{arxiv.2502.15983,
title = {CoRe: Coherency Regularization for Hierarchical Time Series},
author = {Rares Cristian and Pavithra Harhsa and Georgia Perakis and Brian Quanz},
journal= {arXiv preprint arXiv:2502.15983},
year = {2025}
}