基于独立水平预测自上而下对齐的层次化预测
机器学习
2022-02-22 v4 机器学习
应用统计
摘要
具有间歇性时间序列的层次化预测在研究和实证研究中都是一项挑战。大量研究集中于提高每个层级的精度，尤其是底层级的间歇性时间序列。然后可使用层次协调来进一步改善整体性能。在本文中，我们提出一种\emph{带对齐的层次化预测}方法，将底层级预测视为可变的，以确保层级上层级获得更高的预测精度。我们在顶层级对连续时间序列采用纯深度学习预测方法 N-BEATS，在底层级对间歇性时间序列采用广泛使用的基于树的算法 LightGBM。该\emph{带对齐的层次化预测}方法是自下而上方法的一个简单而有效的变体，考虑了在底层级难以观察到的偏差。它允许低层级次优预测保持更高的整体性能。本实证研究中的方法由第一作者在 M5 Forecasting Accuracy 竞赛期间开发，获得第二名。该方法也面向业务，可有益于业务战略规划。
引用
@article{arxiv.2103.08250,
title = {Hierarchical forecasting with a top-down alignment of independent level forecasts},
author = {Matthias Anderer and Feng Li},
journal= {arXiv preprint arXiv:2103.08250},
year = {2022}
}