Iterative Trace Minimization for the Reconciliation of Very Short Hierarchical Time Series
极短层级时间序列预测协调的迭代迹最小化方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究层级时间序列的预测协调和准确性，并通过半导体市场序列展示应用，对应预测与时间序列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
极短层级时间序列预测协调的迭代迹最小化方法
- 研究问题
- 层级时间序列很短且层级结构较大时，如何缓解预测误差协方差估计的困难，同时保证不同层级预测满足加总约束？
- 方法与思路
- 作者在 MinT 预测协调框架下提出迭代方法，减少需要估计的参数，并通过模拟及基于半导体市场数据的案例评估预测。
- 材料陈述的贡献
- 摘要称，迭代方法可进一步改善预测准确性，并针对极短序列和较大层级结构检验传统 MinT 的表现及协方差估计问题。
- 阅读关注点
- 应核对迭代步骤、协方差估计和停止规则，以及样本长度、层级规模、预测期数与比较方法如何影响协调后的误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获验证；摘要未提供改进幅度、理论保证或具体预测评估设计，不能认定普遍优越。
原文摘要
Time series often appear in an additive hierarchical structure. In such cases, time series on higher levels are the sums of their subordinate time series. This hierarchical structure places a natural constraint on forecasts. However, univariate forecasting techniques are incapable of ensuring this forecast coherence. An obvious solution is to forecast only bottom time series and obtain higher level forecasts through aggregation. This approach is also known as the bottom-up approach. In their seminal paper, \citep{Wickramasuriya2019} propose an optimal reconciliation approach named MinT. It tries to minimize the trace of the underlying covariance matrix of all forecast errors. The MinT algorithm has demonstrated superior performance to the bottom-up and other approaches and enjoys great popularity. This paper provides a simulation study examining the performance of MinT for very short time series and larger hierarchical structures. This scenario makes the covariance estimation required by MinT difficult. A novel iterative approach is introduced which significantly reduces the number of estimated parameters. This approach is capable of improving forecast accuracy further. The application of MinTit is also demonstrated with a case study at the hand of a semiconductor dataset based on data provided by the World Semiconductor Trade Statistics (WSTS), a premier provider of semiconductor market data.