层次化预测中的局部模型与全局模型
机器学习
2024-11-12 v1 机器学习
摘要
层次化时间序列预测在各类领域的决策中发挥着关键作用，同时对建模提出了重大挑战，因为它们涉及多个聚合层级、约束条件以及信息可用性。本研究探讨了不同信息利用方式对层次化预测精度的影响，提出并评估了局部模型和一系列全局预测模型。与独立预测各序列的局部模型不同，我们开发的 GFMs 利用跨序列和跨层级信息，同时提升了预测性能和计算效率。我们采用协调方法确保预测的一致性，并使用平均绝对比例误差和与最佳值多重比较检验来评估统计显著性。结果表明，GFMs 在层次化预测中具有显著优势，能够在不同层级上提供更准确且计算更高效的解决方案。我们引入了两种基于 LightGBM 的特定 GFMs，展示了优于其对应局部模型以及指数平滑和自回归积分滑动平均等传统方法的准确性和更低的模型复杂度。
引用
@article{arxiv.2411.06394,
title = {Local vs. Global Models for Hierarchical Forecasting},
author = {Zhao Yingjie and Mahdi Abolghasemi},
journal= {arXiv preprint arXiv:2411.06394},
year = {2024}
}