层次化工业需求预测：时间与不确定性解释
机器学习
2026-03-09 v1
摘要
层次化时间序列预测是各行业需求预测的关键。虽然机器学习模型在此类预测任务中取得了显著的准确率和可扩展性，但其预测的可解释性——尤其是在实际应用情境下的可解释性——仍然鲜为人知。为弥合这一差距，我们提出一种新颖的大规模层次化概率时间序列预测可解释性方法，既能适配通用的可解释性技术，又能针对层次结构和不确定性所面临的挑战进行针对性设计。我们的方法为现实工业供应链场景提供了宝贵的解释性见解，包括：1) 在具体时点的各时序数据及外部变量的重要性，2) 不同变量对预测不确定性的影响，3) 针对训练数据修改的预测变化解释。为评估该可解释性方法，我们基于大型化工公司进行的十余千种产品层次化需求解释场景生成了准真实数据集。实验表明，我们的方法在解释领先工业预测方法时，成功地显著提升了可解释性准确度。此外，我们提供了多个真实案例，表明该方法在识别有助于利益相关者更好理解预测的重要模式和解释方面具有有效性。我们的方法还有助于识别预测需求背后的关键驱动因素，支持更具信息性的决策和战略规划。该方法有助于建立用户之间的信任与信心，最终促进实际应用中层次化预测模型的更好采纳与利用。
引用
@article{arxiv.2603.06555,
title = {Hierarchical Industrial Demand Forecasting with Temporal and Uncertainty Explanations},
author = {Harshavardhan Kamarthi and Shangqing Xu and Xinjie Tong and Xingyu Zhou and James Peters and Joseph Czyzyk and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2603.06555},
year = {2026}
}