SLOTH: Structured Learning and Task-based Optimization for Time Series Forecasting on Hierarchies

背景介绍

层次时间序列预测，主要针对的是多元时间序列中，各个序列能够形成一个层次结构的场景，层次结构中，满足父节点的序列值等于其子节点序列值之和。层次预估需要达成2个条件：首先，需要对层次中的每个节点都进行预测；其次，需要保证某个父节点的预测结果和其子节点的预测结果之和相等（或近似相等），这个约束可以被称为层次约束。层次预估在应用场景中也比较常见，相对于基础的时间序列预测，层次时间序列预测需要不仅要考虑如何预测好每个序列，还要考虑如何让整体层次预估结果满足层次约束。

层次预测中，不同层次的时间序列体现出不同的特性。越上层的节点，粒度越粗，噪声越小，序列越平稳，但是信息含量较少；约下层的节点，粒度越细，噪声越大，序列规律性越差，但是信息含量丰富。层次预估的核心，也就在于融合融合上层序列和下层序列各自的优势，达成最终准确、一致的层次预估结果。

2

SLOTH层次预测模型

本文提出的SLOTH层次预测模型，核心网络结构如下图所示，主要包括时序特征提取、自顶向下的卷积网络、自底向上的attention网络、基础预估结果产出4个部分。