Nixtla/hierarchicalforecast

解決的問題

當資料以階層結構（例如地理區域、產品類別，或週、月等時間尺度）組織時，若對每個層級獨立進行時間序列預測，低層級預測的總和通常無法與高層級預測的總和一致。此套件透過調整這些預測，確保所有層級之間的一致性。

工作原理

此套件接收「基礎預測」（初始預測），並應用調整演算法進行修正。支援多種方法：

• 經典方法：BottomUp（將低層級加總以產生高層級）與 TopDown（將高層級預測向下分配）。
• 替代方法：MiddleOut（在中間層級錨定預測）、MinTrace（最小化總預測變異數）與 ERM（使用 L1 正則化）。
• 機率方法：Normality、Bootstrap、PERMBU 與 Conformal 等工具，提供無分布假設或基於假設的預測區間。
• 時間調整：這些方法中的大多數也可應用於時間階層結構（例如，將日預測與月度總和進行協調）。

適用對象

在產業界或學術界處理階層化時間序列資料，需要在不同聚合層級上獲得一致、連貫預測的資料科學家、計量經濟學家與機器學習工程師。

主要特色

• 支援橫向與時間階層結構。
• 包含廣泛的統計與計量經濟調整方法。
• 提供用於不確定性估計的機率一致性預測方法。
• 與 Nixtla 生態系統整合（例如 statsforecast 與 datasetsforecast）。