Новый метод HTF повышает точность и согласованность иерархического прогнозирования

Прогнозирование иерархических временных рядов — задача, актуальная для розничной торговли, энергетики и логистики. В таких системах прогнозы на разных уровнях (например, продукт, категория, регион) должны быть согласованы: сумма нижних уровней должна равняться верхнему. Традиционные методы вроде Bottom-Up и MinT исправляют рассогласованность постфактум, но не учитывают сложные нелинейные зависимости.

Новый подход — Hierarchical Temporal Fusion (HTF) — является расширением модели Temporal Fusion Transformer. Авторы встроили иерархические эмбеддинги и специальную функцию потерь, которая штрафует за несоответствие прогнозов на разных уровнях. Таким образом, нейросеть учится одновременно временной динамике и структурной согласованности.

Эксперименты проводились на двух открытых наборах данных: M5 Walmart (продажи товаров) и публичном датасете энергопотребления. HTF значительно снизил рассогласованность прогнозов и повысил точность по сравнению с классическими методами согласования и базовыми моделями глубокого обучения.

Дополнительно визуализация внимания модели и анализ эмбеддингов показали, как временная и структурная информация совместно влияют на качество прогнозирования.

Разработка может найти применение в системах планирования цепочек поставок, управлении запасами и оптимизации энергопотребления, где важна непротиворечивость прогнозов на всех уровнях иерархии.