GMP-AR：基于粒度消息传递与自适应校准的时间序列层次预测
机器学习
2024-06-21 v1 人工智能
摘要
不同时间粒度的时间序列预测在实际应用中广泛使用，例如以日和周为单位进行销售预测以制定不同的库存计划。然而，这类任务通常独立解决且未确保一致性，这对于对齐下游决策至关重要。以往工作主要关注通过诸如从细粒度预测聚合到粗粒度或从粗粒度分配到细粒度等直观方法来确保一致性。这些方法仅考虑时间层次结构以维持一致性，却未提高预测精度。本文提出一种新型粒度消息传递机制 (GMP)，利用时间层次信息改进预测性能，并采用自适应校准 (AR) 策略在不牺牲性能的前提下维持一致性。此外，我们引入优化模块以遵循更现实的约束。实验在真实数据集上表明，我们的框架 (GMP-AR) 在时间序列层次预测任务中优于当前最先进的方法。此外，我们的框架已成功集成到支付宝支付流量管理的实际任务中。
引用
@article{arxiv.2406.12242,
title = {GMP-AR: Granularity Message Passing and Adaptive Reconciliation for Temporal Hierarchy Forecasting},
author = {Fan Zhou and Chen Pan and Lintao Ma and Yu Liu and James Zhang and Jun Zhou and Hongyuan Mei and Weitao Lin and Zi Zhuang and Wenxin Ning and Yunhua Hu and Siqiao Xue},
journal= {arXiv preprint arXiv:2406.12242},
year = {2024}
}