Cross-Temporal Forecast Reconciliation at Digital Platforms with Machine Learning
利用机器学习协调数字平台的横截面与时间层级预测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：摘要以跨地区、跨时间尺度的预测及预测协调为核心，直接对应预测方法。
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…
利用机器学习协调数字平台的横截面与时间层级预测
- 研究问题
- 数字平台需要同时预测不同地区和不同时间尺度的业务量，如何兼顾预测精度、跨层级一致性与快速决策的计算要求？
- 方法与思路
- 作者提出非线性层级预测协调方法，利用常用机器学习方法直接、自动生成横截面与时间聚合层级之间一致的预测。
- 材料陈述的贡献
- 摘要称，该框架能够支持平台所需的高频决策，并使用欧洲配送平台和纽约共享单车系统的大规模数据进行实证检验。
- 阅读关注点
- 应核对层级一致性的实现方式、训练与预测流程、计算耗时，以及实证比较是否同时考察各聚合层级的误差与一致性。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未列出具体学习器、比较基准或精度与速度的数值结果。
原文摘要
Platform businesses operate on a digital core and their decision making requires high-dimensional accurate forecast streams at different levels of cross-sectional (e.g., geographical regions) and temporal aggregation (e.g., minutes to days). It also necessitates coherent forecasts across all levels of the hierarchy to ensure aligned decision making across different planning units such as pricing, product, controlling and strategy. Given that platform data streams feature complex characteristics and interdependencies, we introduce a non-linear hierarchical forecast reconciliation method that produces cross-temporal reconciled forecasts in a direct and automated way through the use of popular machine learning methods. The method is sufficiently fast to allow forecast-based high-frequency decision making that platforms require. We empirically test our framework on unique, large-scale streaming datasets from a leading on-demand delivery platform in Europe and a bicycle sharing system in New York City.