基于 Kullback-Leibler 散度正则化的概率预测协调
人工智能
2023-11-22 v1 机器学习
摘要
随着分层点预测协调方法日益流行，对概率预测协调的兴趣也在增长。许多研究利用机器学习或深度学习技术实现概率预测协调并取得了显著进展。然而，这些方法将协调步骤视为固定且硬性的后处理步骤，导致准确性与一致性之间的权衡。本文提出一种概率预测协调的新方法。与现有方法不同，我们所提方法将预测步骤与协调步骤融合进深度学习框架，通过在损失函数中引入 Kullback-Leibler 散度正则化项，使协调步骤更灵活、更软。使用三个分层时间序列数据集对该方法进行评估，结果显示了我们的方法相对于其他概率预测协调方法的优势。
引用
@article{arxiv.2311.12279,
title = {Probabilistic Forecast Reconciliation with Kullback-Leibler Divergence Regularization},
author = {Guanyu Zhang and Feng Li and Yanfei Kang},
journal= {arXiv preprint arXiv:2311.12279},
year = {2023}
}