A Forecast Combination Framework for Hierarchical and Grouped Time Series Reconciliation
层级与分组时间序列预测协调的预测组合框架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：摘要直接研究时间序列预测组合、层级协调及均方误差最优预测，分类依据是预测方法而非宏观应用。
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…
层级与分组时间序列预测协调的预测组合框架
- 研究问题
- 如何把层级和分组时间序列的预测协调写成预测组合问题，并在维持加总一致性的同时解释及扩展现有协调方法？
- 方法与思路
- 作者由加总约束构造底层序列的线性独立候选预测，先组合再加总，并提出包含协方差收缩和权重惩罚的模块化估计框架。
- 材料陈述的贡献
- 摘要称，无偏线性协调等价于该组合表示，均方误差最优权重恢复 MinT，且问题可按底层序列分解为最优预测组合。
- 阅读关注点
- 应核对等价性与最优性所需条件、候选集合的构造，以及分序列估计、权重惩罚和协方差估计如何影响有限样本预测表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出实证数据和改善幅度，理论最优权重不等于有限样本估计始终最优。
原文摘要
Forecast combining and forecast reconciliation for hierarchical and grouped time series have largely developed as separate research areas. This paper connects the two by developing a forecast combination framework for forecast reconciliation. For each bottom-level series, we construct a maximal linearly independent set of structured candidate forecasts from aggregation constraints, and show that combining these candidates and aggregating the resulting bottom-level forecasts is equivalent to standard unbiased linear reconciliation. Within this representation, we prove that mean-squared-error optimal combination weights exactly recover the widely used Minimum Trace (MinT) reconciliation. We further show that the optimal weight problem is separable across different bottom-level series, each yielding a Bates--Granger optimal forecast combination. This reveals MinT as a collection of optimal combinations over hierarchy-induced candidate forecasts. For finite-sample estimation, we propose a modular penalized framework that nests existing MinT variants and supports rich extensions including covariance shrinkage, weight penalization, and scalable series-wise separate estimation. Empirical results show that the framework is practically implementable, competitive with existing methods, and can improve accuracy while preserving coherence. Overall, the forecast combination perspective offers new interpretations of existing reconciliation approaches and provides a flexible basis for designing new methods.