Forecast reconciliation with non-linear constraints
非线性约束下的预测协调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：摘要直接研究受非线性约束的时间序列预测及预测协调，并包含经济变量应用。
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…
非线性约束下的预测协调
- 研究问题
- 当失业率、死亡率等比率变量使时间序列预测受到非线性约束时，如何调整不一致预测，并判断调整是否改善预测精度？
- 方法与思路
- 作者提出 NLCR，将预测调整表述为向非线性约束曲面的投影及约束优化问题，并用优化方法推导精度改善的充分条件。
- 材料陈述的贡献
- 摘要称将预测协调扩展至非线性约束，给出改善精度的充分条件，并在人口与经济数据上相对相关基准取得显著改善。
- 阅读关注点
- 应核对投影使用的距离、约束可行性与优化解的性质，精度改善条件，以及实证中的评价指标、预测期和基准选择。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列出充分条件或改善幅度，满足约束本身不保证预测误差必然下降。
原文摘要
Methods for forecasting time series adhering to linear constraints have seen notable development in recent years, especially with the advent of forecast reconciliation. This paper extends forecast reconciliation to the open question of non-linearly constrained time series. Non-linear constraints can emerge with variables that are formed as ratios such as mortality rates and unemployment rates. On the methodological side, Non-linearly Constrained Reconciliation (NLCR) is proposed. This algorithm adjusts forecasts that fail to meet non-linear constraints, in a way that ensures the new forecasts meet the constraints. The NLCR method is a projection onto a non-linear surface, formulated as a constrained optimisation problem. On the theoretical side, optimisation methods are again used, this time to derive sufficient conditions for when the NLCR methodology is guaranteed to improve forecast accuracy. Finally on the empirical side, NLCR is applied to two datasets from demography and economics and shown to significantly improve forecast accuracy relative to relevant benchmarks.