Hierarchies Everywhere -- Managing & Measuring Uncertainty in Hierarchical Time Series
层级无处不在：层级时间序列的不确定性管理与测量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：摘要明确研究层级时间序列的协调预测、概率预测与预测准确性。
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…
层级无处不在：层级时间序列的不确定性管理与测量
- 研究问题
- 对大量相互关联且具有层级结构的时间序列，如何构造协调一致的概率预测，并评估各层级带来的预测增益？
- 方法与思路
- 作者采用行为与贝叶斯视角，利用序列特征、预测准确性及层级关系所体现的关联，并降低层级预测问题的维度。
- 材料陈述的贡献
- 摘要称该结构可改善协调预测的准确性并评估各层级增益，即使基础预测不是概率预测，协调结果仍具有概率形式。
- 阅读关注点
- 应核对关联信息的建模、降维过程、层级一致性约束，以及概率预测的校准方式和各层级预测增益的评价标准。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未说明模型及比较结果，无法判断精度改善或区间校准的范围。
原文摘要
We examine the problem of making reconciled forecasts of large collections of related time series through a behavioural/Bayesian lens. Our approach explicitly acknowledges and exploits the 'connectedness' of the series in terms of time-series characteristics and forecast accuracy as well as hierarchical structure. By making maximal use of the available information, and by significantly reducing the dimensionality of the hierarchical forecasting problem, we show how to improve the accuracy of the reconciled forecasts. In contrast to existing approaches, our structure allows the analysis and assessment of the forecast value added at each hierarchical level. Our reconciled forecasts are inherently probabilistic, whether probabilistic base forecasts are used or not.