Nonlinear Probabilistic Forecast Reconciliation
非线性概率预测协调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：摘要直接研究多个时间序列的联合概率预测及满足跨序列约束的预测协调。
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…
非线性概率预测协调
- 研究问题
- 多个时间序列的预测须满足非线性关系时，如何调整独立生成的概率预测，使联合预测符合约束并改善预测表现？
- 方法与思路
- 作者扩展投影与条件化两条路径：将预测样本映射到非线性一致流形，或对约束条件化联合预测分布，并用无迹卡尔曼滤波算法近似。
- 材料陈述的贡献
- 摘要称两类方法在所用数据上通常改善预测准确性；基于无迹卡尔曼滤波的方法总体表现最佳、保留于模型置信集合且比投影法更快。
- 阅读关注点
- 应核对非线性约束下条件分布的定义、投影是否唯一、滤波近似精度，以及预测评分、模型置信集合和运行时间比较的设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明约束类型、数据与近似误差，所述经验优势不能扩展到所有非线性约束。
原文摘要
Forecast reconciliation adjusts independently generated forecasts across multiple time series so that they satisfy some known constraints. While probabilistic forecast reconciliation is well established for linear constraints, some practical forecasting problems involve nonlinear relationships among time series. In this paper, we address probabilistic forecast reconciliation with nonlinear constraints for the first time. We extend both reconciliation via projection and conditioning to the case of nonlinear constraints. The former approach reconciles forecast samples by mapping them onto the nonlinear coherent manifold. The latter approach conditions the joint forecast distribution on the constraints; the reconciled distribution is approximated with an algorithm based on the Unscented Kalman Filter (UKF). We evaluate both methods on synthetic and real datasets. Empirically, both reconciliation approaches generally improve forecast accuracy. The UKF-based approach achieves the best overall performance, is consistently retained in the Model Confidence Set -- either alone or alongside other reconciliation methods -- and is substantially faster than the projection-based approach.