Online forecast reconciliation using linear models
基于线性模型的在线预测协调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：摘要以时间层级、在线预测与预测协调为核心，直接对应时间序列与预测/即时预测方向。
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…
基于线性模型的在线预测协调
- 研究问题
- 摘要称，研究如何在线、自适应地进行预测与层级协调，并以线性回归模型刻画层级结构下的多变量预测问题。
- 方法与思路
- 作者提出用图形式化层级结构，基于矩阵正态分布构建多变量线性模型刻画残差，将参数估计表述为岭回归问题，并给出受递归最小二乘启发的递归推断方案，实现在线更新。
- 材料陈述的贡献
- 摘要称，框架连接了岭回归、贝叶斯估计与收缩在层级协调中的关系，提供参数与预测的不确定性量化，并在 PyOnlineForecast 包中实现，以区域供热负荷的时间层级案例展示其在线应用。
- 阅读关注点
- 应核对层级图与矩阵正态假设的具体设定、岭回归与贝叶斯收缩的对应条件、递归推断的更新公式与不确定性量化是否严格，以及案例中时间层级的构造与在线评估方式。
- 阅读边界
- 仅凭摘要无法判断识别假设、估计一致性、数值表现与相对优势；这是 arXiv 预印本，未经同行评审，不能据此声称已被期刊接收。
原文摘要
We present a framework for online and adaptive forecasting and hierarchical reconciliation using linear regression models. We begin by formalizing hierarchies using graphs, and motivated by their structure, formulate a multivariate linear model using the matrix normal distribution to characterize residuals. Parameter estimation is posed as a ridge regression problem and applied to hierarchical forecast reconciliation. The connections between ridge regression, Bayesian estimation and shrinkage for hierarchical reconciliation are discussed, and results for uncertainty quantification in parameters and forecasts are provided. Based on the ridge regression formulation, a recursive inference scheme inspired by recursive least squares is described. The algorithm is implemented in the PyOnlineForecast package. Finally, the proposed methodology is demonstrated on a case study for district heating load forecasting using a temporal hierarchy. Our results provide a reference for implementation of forecast reconciliation via multivariate linear models in an online setting. The case study furthermore highlights practical considerations of using temporal hierarchies in an online setting and demonstrates the usefulness of the proposed framework and implementation, both for district heating load forecasting and more generally for online hierarchical forecasting.