Hierarchically Coherent Multivariate Mixture Networks
满足层级加总一致性的多元混合网络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：摘要直接研究层级时间序列的概率预测及跨聚合层级的一致性。
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…
满足层级加总一致性的多元混合网络
- 研究问题
- 研究具有产品或地域等聚合层级的时间序列，如何生成跨层级加总一致的概率预测，同时兼顾序列关系和计算效率。
- 方法与思路
- 作者在神经预测架构中加入满足层级一致性的多元混合输出，以复合似然目标训练网络，并开展组件消融和理论分析。
- 材料陈述的贡献
- 摘要报告相对先进基准在多数数据集上平均准确度改善 13.2%，并称提供组件的理论依据、消融研究及公开代码链接。
- 阅读关注点
- 应核对概率预测一致性的定义与实现、混合分布和复合似然的设计，以及 13.2% 改善对应的指标、数据集和基准设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出准确度指标和不确定性，代码链接内容及改进幅度均未核验。
原文摘要
Large collections of time series data are often organized into hierarchies with different levels of aggregation; examples include product and geographical groupings. Probabilistic coherent forecasting is tasked to produce forecasts consistent across levels of aggregation. In this study, we propose to augment neural forecasting architectures with a coherent multivariate mixture output. We optimize the networks with a composite likelihood objective, allowing us to capture time series' relationships while maintaining high computational efficiency. Our approach demonstrates 13.2% average accuracy improvements on most datasets compared to state-of-the-art baselines. We conduct ablation studies of the framework components and provide theoretical foundations for them. To assist related work, the code is available at this https://github.com/Nixtla/neuralforecast.