[论文解读] A Trainable Reconciliation Method for Hierarchical Time-Series
本文提出了一种可训练的、基于神经网络的分层时间序列预测校正方法，采用编码器-解码器架构。编码器学习将独立预测映射为一致的底层预测，而固定解码器则精确重建上层预测，整体在四个真实世界数据集上以MASE和MLAE指标持续优于最先进方法。
In numerous applications, it is required to produce forecasts for multiple time-series at different hierarchy levels. An obvious example is given by the supply chain in which demand forecasting may be needed at a store, city, or country level. The independent forecasts typically do not add up properly because of the hierarchical constraints, so a reconciliation step is needed. In this paper, we propose a new general, flexible, and easy-to-implement reconciliation strategy based on an encoder-decoder neural network. By testing our method on four real-world datasets, we show that it can consistently reach or surpass the performance of existing methods in the reconciliation setting.
研究动机与目标
- 为解决现有校正方法灵活性不足、无法针对特定预测指标（如MASE或MLAE）进行优化的问题。
- 开发一种通用的、可训练的校正框架，在保持精确层次约束的同时，支持针对自定义损失函数的优化。
- 通过深度学习从数据中学习一致的校正模式，提升分层时间序列预测的准确性。
- 证明基于神经网络的方法可持续超越或匹配现有成熟方法（如最优组合法与迹最小化法）的性能。
提出的方法
- 该方法采用编码器-解码器神经网络架构，其中编码器为可训练的前馈网络，负责将独立预测映射为校正后的底层预测。
- 解码器为固定矩阵，从校正后的底层预测重建所有层次的预测，确保精确满足层次约束。
- 模型通过反向传播训练，使用AdamW优化器，并采用可自定义的损失函数，以针对特定指标（如MASE或MLAE）进行优化。
- 编码器初始化为近似于自底向上方法，为训练提供稳定起点，有助于收敛至高质量解。
- 通过在100组组合中进行随机搜索，对dropout、学习率、权重衰减、训练轮数和隐藏层数量等超参数进行优化。
- 该方法通过学习更具表现力的表示空间，同时借助固定解码器矩阵保持精确校正，从而推广了现有方法。
实验结果
研究问题
- RQ1与非可训练的解析方法相比，可训练的神经网络方法是否能提升分层时间序列预测中的校正准确性？
- RQ2所提出的方法在具有不同深度和复杂度的多样化分层结构及真实世界数据集上是否具备泛化能力？
- RQ3通过损失函数设计，模型性能在多大程度上可针对MASE或MLAE等特定指标进行优化？
- RQ4在多个数据集上，该模型性能与最优组合法、迹最小化法以及自顶向下/自底向上方法相比如何？
- RQ5模型初始化与网络架构设计对校正任务中收敛性与最终性能有何影响？
主要发现
- 在所有四个真实世界数据集中，所提方法在MASE和MLAE指标上均达到最佳或并列最佳性能，部分情况下具有统计显著性提升。
- 在澳大利亚零售数据集中，方法在第3层实现MASE为0.4923，优于次佳方法（OC）的0.5377。
- 在电力数据集中，方法在第3层实现MASE为0.4434，与最佳性能方法（BU）持平，显著优于OC（0.4630）和TM（0.4555）。
- 该方法在层次更深的数据集中表现提升最为显著，表明其在复杂多层预测结构中的优势。
- 在乳制品数据集中，方法在第0层实现MASE为1.0840，略优于BU（1.0865）和TM（1.0868），且在各层级MLAE均保持一致改进。
- 该方法在不同指标和层次上表现出强鲁棒性，性能方差低于TDHP、TDFP和OC，后三者结果波动较大。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。