[] - 2023-02-06 最新层次结构的时间序列预测模型。.pdf

：基于Transformer和Normalizing Flow的层次时间序列概率预测模型 ：本教程探讨了2023年最新的层次结构时间序列预测模型，重点在于如何使用Transformer和Normalizing Flow技术来实现端到端的概率预测。该模型旨在解决具有层次结构的时间序列预测问题，确保预测的准确性和层次一致性。 ：kaggle竞赛，AI，人工智能 【部分内容详解】： 层次时间序列预测是针对具有层级关系的数据进行预测的一种方法，常见于多级组织结构或地理区域的预测场景，如国家、地区和城市的游客流量预测。传统的层次预测方法包括自下而上（bottom-up）、自上而下（top-down）和中间向外（middle-out）。这些方法可能无法充分利用所有层次的信息，因此现代方法倾向于采用基于reconciliation的策略，结合各个层次的预测结果，以提高精度。 论文《使用自回归Transformer和条件正则化流进行层次时间序列的端到端概率预测》提出了一种创新方法，它使用Transformer进行基础预测，再用Normalizing Flow进行校准，实现概率预测。Transformer的Encoder-Decoder架构允许各层次共享参数，生成各节点的初步预测值。这些预测值不直接作为最终结果，而是作为输入传递给Normalizing Flow。 Normalizing Flow是一种强大的概率建模工具，它可以学习复杂的分布并生成符合特定条件的新样本。在层次时间序列预测中，它用于根据Transformer的输出生成底层节点的概率分布，进一步校准预测，使得预测结果既满足个体准确性，又符合层次结构的总和约束。 通过端到端的训练，Transformer的预测与Normalizing Flow的校准过程相互促进，消除了传统两阶段方法的局限性。这种方法解决了现有reconciliation方法的强先验假设问题，以及底层预测与校准之间的信息隔离，同时引入了层次概率预测，提高了预测的不确定性估计。 总结来说，这篇教程介绍了如何利用Transformer和Normalizing Flow构建一个强大的层次时间序列预测模型，该模型能够进行概率预测，适用于有层次结构的复杂时间序列数据。这种方法不仅提高了预测精度，还增强了模型对层次结构约束的适应性，是AI和机器学习领域中的一个重要进展，特别对于在kaggle竞赛中处理类似问题的参赛者具有很高的参考价值。