Coherent Hierarchical Forecasting for Proportion and Discrete Time Series
比例与离散时间序列的层级一致预测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：摘要直接处理层级与分组时间序列，并以满足聚合约束的分布预测和预测协调为核心任务。
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
比例与离散时间序列的层级一致预测
- 研究问题
- 面对必须满足层级或分组加总约束的时间序列，如何同时保持预测的一致性，以及离散或有界变量原有的取值支持？
- 方法与思路
- 作者提出事后层级预测方法，利用卷积与指数倾斜构造满足加总约束的预测分布，并在各层保留相应分布性质和支持。
- 材料陈述的贡献
- 摘要称该方法在多种模拟及流行病学、人口学应用中产生可靠的一致分布预测，并与现有预测协调方法进行比较。
- 阅读关注点
- 核对比例变量的聚合规则、卷积与倾斜的实现方式，以及比较实验中的预测评分、支持约束和计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未给出实验设定、评分数值或适用条件，无法判断优势的普遍性。
原文摘要
Hierarchical and grouped time series arise when a multivariate time series is forced to satisfy a set of aggregation constraints, motivating forecast reconciliation methods that ensure coherent forecasts of such hierarchical structures. Many real-world applications involve discrete or bounded supports, introducing additional challenges that are not addressed Gaussian-based reconciliation methods. We develop a post-hoc hierarchical forecasting approach to construct coherent forecast hierarchies for discrete and bounded time series. The method constructs coherent forecasts by convolution and exponential tilting, preserving the distributional properties and the underlying support throughout the hierarchy. We evaluate the proposed approach against state-of-the-art reconciliation methods for both discrete and continuous settings, demonstrating strong performance across a range of experiments. Through simulation studies and empirical applications in epidemiological and demographic data, we show that the method provides reliable and coherent distributional forecasts in challenging scenarios.