Nixtla/hierarchicalforecast

解决的问题

当数据以层次结构（如地理区域、产品类别或周、月等时间尺度）组织时，若对每个层级独立进行时间序列预测，低层级预测的总和通常无法与高层级预测的总和保持一致。该库通过调整这些预测，确保所有层级之间的一致性。

工作原理

该库接收“基础预测”（初始预测），并应用调整算法进行修正。支持多种方法：

• 经典方法：BottomUp（将低层级求和以生成高层级）和 TopDown（将高层级预测向下分配）。
• 替代方法：MiddleOut（在中间层级锚定预测）、MinTrace（最小化总预测方差）和 ERM（使用 L1 正则化）。
• 概率方法：Normality、Bootstrap、PERMBU 和 Conformal 等工具，用于提供无分布假设或基于假设的预测区间。
• 时间调整：这些方法中的大多数也可应用于时间层次结构（例如，将日预测与月度总和进行协调）。

适用人群

在工业界或学术界处理层次化时间序列数据，需要在不同聚合层级上获得一致、连贯预测的数据科学家、计量经济学家和机器学习工程师。

主要亮点

• 支持横截面和时间层次结构。
• 包含广泛的统计和计量经济调整方法。
• 提供用于不确定性估计的概率一致性预测方法。
• 与 Nixtla 生态系统集成（例如 statsforecast 和 datasetsforecast）。