Constructing hierarchical time series through clustering: Is there an optimal way for forecasting?
通过聚类构建层级时间序列：是否存在最优预测方式？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：摘要明确研究时间序列的层级构造、预测协调与预测准确性，直接对应时间序列和预测方法，但未限定宏观数据应用。
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…
通过聚类构建层级时间序列：是否存在最优预测方式？
- 研究问题
- 在层级预测协调中，如何通过聚类构建时间序列层级以改善预测，改善究竟来自相似序列分组还是层级结构，以及跨层级平均是否有益？
- 方法与思路
- 作者比较聚类算法、序列表征和距离定义，在固定层级结构下随机置换序列归属，并对不同聚类层级的预测取平均进行评价。
- 材料陈述的贡献
- 摘要称，聚类层级优于两层结构，改善主要来自层级结构而非相似序列归组；跨层级预测平均在所用数据中优于单一聚类方法。
- 阅读关注点
- 应核对预测协调方法、层级结构与规模的控制、随机置换设计，以及两个基准数据集和模拟数据中的验证划分与准确性指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明误差幅度或统计不确定性，所述比较不能证明存在普遍最优的层级构造。
原文摘要
Forecast reconciliation has attracted significant research interest in recent years, with most studies taking the hierarchy of time series as given. We extend existing work that uses time series clustering to construct hierarchies, with the goal of improving forecast accuracy, in three ways. First, we investigate multiple approaches to clustering, including not only different clustering algorithms, but also the way time series are represented and how distance between time series is defined. We find that cluster-based hierarchies lead to improvements in forecast accuracy relative to two-level hierarchies. Second, we devise an approach based on random permutation of hierarchies, keeping the structure of the hierarchy fixed, while time series are randomly allocated to clusters. In doing so, we find that improvements in forecast accuracy that accrue from using clustering do not arise from grouping together similar series but from the structure of the hierarchy. Third, we propose an approach based on averaging forecasts across hierarchies constructed using different clustering methods, that is shown to outperform any single clustering method. All analysis is carried out on two benchmark datasets and a simulated dataset. Our findings provide new insights into the role of hierarchy construction in forecast reconciliation and offer valuable guidance on forecasting practice.