[论文解读] A Bayesian Model for Forecasting Hierarchically Structured Time Series

Julie Novak, Scott McGarvie+1 more|arXiv (Cornell University)|Nov 13, 2017

Forecasting Techniques and Applications参考文献 17被引用 4

一句话总结

本文提出了一种贝叶斯分层模型，通过结合初始预测、历史准确性、先验信息和异质损失函数，实现对分层时间序列中不一致预测的协调。该方法通过引入块对角相关结构，并提供具有不确定性量化的相干后验预测分布，显著提升了预测准确性，尤其在‘困难’协调场景中表现更优。

ABSTRACT

An important task for any large-scale organization is to prepare forecasts of key performance metrics. Often these organizations are structured in a hierarchical manner and for operational reasons, projections of these metrics may have been obtained independently from one another at each level of the hierarchy by specialists focusing on certain areas within the business. There is no guarantee that when combined, these aggregates will be consistent with projections produced directly at other levels of the hierarchy. We propose a Bayesian hierarchical method that treats the initial forecasts as observed data which are then combined with prior information and historical predictive accuracy to infer a probability distribution of revised forecasts. When used to create point estimates, this method can reflect preferences for increased accuracy at specific levels in the hierarchy. We present simulated and real data studies to demonstrate when our approach results in improved inferences over alternative methods.

研究动机与目标

• 解决大规模组织中分层结构时间序列在不同层级独立预测时无法一致聚合的问题。
• 通过将历史预测表现和特定情境的先验知识整合到统一协调框架中，提升预测准确性。
• 通过可定制的异质损失函数，使决策者能够根据需求优先考虑层级中特定节点的预测精度。
• 通过后验预测分布提供所有层级节点的一致不确定性量化。
• 证明通过块对角协方差结构建模节点间相关性，相比独立（对角）假设，可显著提升预测性能。

提出的方法

• 将初始预测视为观测数据，并与反映历史预测准确性和领域特定知识的先验分布相结合。
• 使用贝叶斯分层模型推断满足层级所有层级聚合约束的修正预测。
• 引入异质损失函数，允许对不同节点的误差施加差异化的惩罚，以反映用户定义的优先级（例如，顶层聚合具有更高重要性）。
• 使用块对角协方差结构对残差相关性进行建模，以捕捉子树中子节点与父节点之间的依赖关系。
• 应用马尔可夫链蒙特卡洛（MCMC）或变分推断方法，计算修正预测的后验分布。
• 以后验均值作为点估计，并通过损失函数引导的效用最大化来反映决策者的偏好。

实验结果

研究问题

• RQ1 贝叶斯框架如何在保持层级间一致性的同时，提升分层时间序列预测协调的性能？
• RQ2 与标准方法相比，引入历史预测准确性和先验信息在多大程度上提升了协调性能？
• RQ3 当不同层级的预测精度优先级不同时，异质损失函数对协调后预测质量有何影响？
• RQ4 与假设独立性相比，通过块对角协方差建模节点间相关性对协调准确性的提升效果如何？
• RQ5 在何种场景下，所提出的贝叶斯方法优于传统的自上而下、自下而上、OLS和WLS协调方法？

主要发现

• 所提出的贝叶斯协调方法在‘困难’协调场景中显著优于OLS、WLS、自上而下和自下而上方法——此类场景中初始预测不一致且难以预测。
• 在IBM收入预测案例研究中，该方法在‘困难’场景下的相对误差分别为1.30（Q1）和1.32（Q2），优于OLS（1.39和1.41）和WLS（1.19和1.16）。
• 与对角（独立）协方差假设相比，块对角相关结构显著提升了预测准确性，尤其在复杂且高度相关的层级结构中表现更优。
• 模型提供的后验预测区间使从业者能够识别不确定性更高的节点，支持风险导向的决策制定。
• 异质损失函数实现了对特定层级（如顶层聚合）预测精度的针对性提升，同时未降低底层节点的性能。
• 在‘简单’场景（预测一致且准确）下，该方法表现与WLS相当，证实了其在不同难度水平下的稳健性。