論文の概要: Hierarchical Time Series Forecasting with Robust Reconciliation

• arxiv url: http://arxiv.org/abs/2510.20383v1
• Date: Thu, 23 Oct 2025 09:30:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.729831
• Title: Hierarchical Time Series Forecasting with Robust Reconciliation
• Title（参考訳）: ロバスト再調合による階層的時系列予測
• Authors: Shuhei Aikawa, Aru Suzuki, Kei Yoshitake, Kanata Teshigawara, Akira Iwabuchi, Ken Kobayashi, Kazuhide Nakata,
• Abstract要約: 本稿では,各高次観測が対応する低次時系列の和に等しい階層的時系列データの予測に焦点をあてる。 このような文脈では、予測値はコヒーレントでなければならない。つまり、各親系列の予測値は、その子系列の予測値の和と正確に一致する。
• 参考スコア（独自算出の注目度）: 2.524176647229559
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper focuses on forecasting hierarchical time-series data, where each higher-level observation equals the sum of its corresponding lower-level time series. In such contexts, the forecast values should be coherent, meaning that the forecast value of each parent series exactly matches the sum of the forecast values of its child series. Existing hierarchical forecasting methods typically generate base forecasts independently for each series and then apply a reconciliation procedure to adjust them so that the resulting forecast values are coherent across the hierarchy. These methods generally derive an optimal reconciliation, using a covariance matrix of the forecast error. In practice, however, the true covariance matrix is unknown and has to be estimated from finite samples in advance. This gap between the true and estimated covariance matrix may degrade forecast performance. To address this issue, we propose a robust optimization framework for hierarchical reconciliation that accounts for uncertainty in the estimated covariance matrix. We first introduce an uncertainty set for the estimated covariance matrix and formulate a reconciliation problem that minimizes the worst-case expected squared error over this uncertainty set. We show that our problem can be cast as a semidefinite optimization problem. Numerical experiments demonstrate that the proposed robust reconciliation method achieved better forecast performance than existing hierarchical forecasting methods, which indicates the effectiveness of integrating uncertainty into the reconciliation process.
• Abstract（参考訳）: 本稿では,各高次観測が対応する低次時系列の和に等しい階層的時系列データの予測に焦点をあてる。 このような文脈では、予測値はコヒーレントでなければならない。つまり、各親系列の予測値は、その子系列の予測値の和と正確に一致する。 既存の階層的予測手法は、通常、各系列に対して独立してベース予測を生成し、その結果の予測値が階層にわたって一貫性のあるように調整するために調整手順を適用する。 これらの手法は一般に予測誤差の共分散行列を用いて最適和解を導出する。 しかし、実際には真の共分散行列は未知であり、あらかじめ有限標本から推定する必要がある。 真の共分散行列と推定共分散行列とのこのギャップは予測性能を低下させる可能性がある。 この問題に対処するために,推定共分散行列の不確実性を考慮した階層的和解のためのロバストな最適化フレームワークを提案する。 まず、推定共分散行列の不確実性集合を導入し、この不確実性集合に対する最悪の2乗誤差を最小化する和解問題を定式化する。 我々は,この問題を半定値最適化問題とみなすことができることを示した。 数値実験により,提案手法は既存の階層的予測手法よりも高い予測性能を達成し,不確実性を和解プロセスに組み込むことの有効性を示した。

関連論文リスト

• Conformal Prediction Algorithms for Time Series Forecasting: Methods and Benchmarking [0.0]
  時系列の時間的依存関係は、データ交換可能性のコア前提に反する。 本稿では,この対立に対処するために設計されたアルゴリズム解の主要なカテゴリについて批判的に検討する。 当社はAutoARIMAを、大規模な月次販売データセットのベース予測ツールとして使用しています。
  論文  参考訳（メタデータ） (2026-01-26T14:15:08Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Conformal Prediction for Ensembles: Improving Efficiency via Score-Based Aggregation [18.928543069018865]
  等角予測は分布仮定を避ける一つの方法である。 しかし、予測領域をマージすることで、コンフォメーションスコアに存在する構造が犠牲になり、保守性はさらに低下する。 そこで本研究では,新しいフレームワークを分類と予測列最適化の両方で効果的に活用できることを述べる。
  論文  参考訳（メタデータ） (2024-05-25T14:11:01Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• End-to-End Modeling Hierarchical Time Series Using Autoregressive Transformer and Conditional Normalizing Flow based Reconciliation [11.322157308555619]
  本研究では, 条件付き正規化フローベース自己回帰変換器の整合に基づく, 終端から終端までの時系列予測モデルを提案する。 他の最先端手法とは異なり、明示的な後処理ステップを必要とせずに予測と和解を同時に達成する。
  論文  参考訳（メタデータ） (2022-12-28T05:43:57Z)
• Efficient probabilistic reconciliation of forecasts for real-valued and count time series [0.840358257755792]
  本研究では,任意の種類の予測分布を調整するための条件付けに基づく新しい手法を提案する。 次にBottom-Up Smplingと呼ばれる新しいアルゴリズムを導入し、再構成された分布から効率的にサンプリングする。
  論文  参考訳（メタデータ） (2022-10-05T14:22:24Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Optimal reconciliation with immutable forecasts [9.25906680708985]
  我々は、変数の既定部分集合の予測が変化しない、あるいは「不変」であるような調整手法を定式化する。 我々は,我々のアプローチがベース予測の偏りを保っていることを証明した。 また,予測誤差の相関を考慮し,予測の非負性を保証する。
  論文  参考訳（メタデータ） (2022-04-20T05:23:31Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。