Probabilistic forecast reconciliation under the Gaussian framework
高斯框架下的概率预测协调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：摘要直接研究多元时间序列在聚合约束下的概率预测与评分比较，因此归入预测和时间序列方向。
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
高斯框架下的概率预测协调
- 研究问题
- 如何把不满足线性约束的多元时间序列概率预测转换为满足约束的预测，并比较不同协调方法的对数评分性质？
- 方法与思路
- 作者在高斯预测分布框架下分析投影式协调，比较 MinT 与 OLS 的联合和边际对数评分，并通过模拟及旅游数据评价。
- 材料陈述的贡献
- 摘要称，当未协调预测分布为高斯时，MinT 最小化对数评分；其各边际预测密度的对数评分也小于 OLS。
- 阅读关注点
- 应核对线性约束下预测密度与对数评分的定义、协方差处理和定理条件，以及联合评分与边际评分结论的区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出完整条件与评分数值，不能推广到非高斯分布或其他评分规则。
原文摘要
Forecast reconciliation of multivariate time series is the process of mapping a set of incoherent forecasts into coherent forecasts to satisfy a given set of linear constraints. Commonly used projection matrix based approaches for point forecast reconciliation are OLS (ordinary least squares), WLS (weighted least squares), and MinT (minimum trace). Even though point forecast reconciliation is a well-established field of research, the literature on generating probabilistic forecasts subject to linear constraints is somewhat limited. Available methods follow a two-step procedure. Firstly, it draws future sample paths from the univariate models fitted to each series in the collection (which are incoherent). Secondly, it uses a projection matrix based approach or empirical copula based reordering approach to account for contemporaneous correlations and linear constraints. The projection matrices are estimated either by optimizing a scoring rule such as energy or variogram score, or simply using a projection matrix derived for point forecast reconciliation. This paper proves that (a) if the incoherent predictive distribution is Gaussian then MinT minimizes the logarithmic scoring rule; and (b) the logarithmic score of MinT for each marginal predictive density is smaller than that of OLS. We show these theoretical results using a set of simulation studies. We also evaluate them using the Australian domestic tourism data set.