hierarchicalforecast完全指南从零开始掌握概率层次预测的终极工具【免费下载链接】hierarchicalforecastProbabilistic Hierarchical forecasting with statistical and econometric methods.项目地址: https://gitcode.com/gh_mirrors/hi/hierarchicalforecast想要在复杂的时间序列预测任务中获得一致且准确的预测结果吗hierarchicalforecast正是您需要的终极解决方案这个强大的Python库专门用于概率层次预测通过统计和计量经济学方法帮助您在跨截面和时间维度上实现预测的协调一致性。无论您是数据分析师、数据科学家还是业务分析师掌握这个工具都能显著提升您的预测准确性和决策质量。 什么是层次预测在实际业务场景中时间序列数据通常具有层次结构。例如零售业可能有商品→品类→部门→总部的层级关系地理数据可能有城市→省份→国家→区域的层级关系。传统预测方法独立预测每个层级往往导致预测不一致的问题——下级预测之和与上级预测不匹配。hierarchicalforecast通过预测协调技术解决这一问题确保所有层级的预测保持数学上的一致性。这个库提供了业界最全面的层次预测算法集合让您轻松实现跨截面协调确保地理、产品、类别等维度的预测一致性时间协调统一日、周、月等不同时间粒度的预测概率预测生成带有置信区间的概率预测结果 hierarchicalforecast的核心功能1. 经典协调方法BottomUp自底向上从最底层开始预测然后逐级向上汇总。这种方法简单直观但可能忽略高层级的整体趋势信息。TopDown自上而下先预测最高层级然后按比例分配到下级。适合高层级趋势明显的情况。2. 高级协调方法MiddleOut中间向外选择一个中间层级作为锚点向上使用BottomUp向下使用TopDown平衡了两者的优缺点。MinTrace最小迹通过最小化预测方差来实现最优协调提供统计上最优的协调结果。ERM经验风险最小化通过L1正则化优化协调矩阵平衡预测准确性和协调一致性。3. 概率协调方法Normality正态性假设在正态分布假设下使用MinTrace的方差-协方差闭式解。Bootstrap自助法使用Gamakumara的自助方法生成层次协调预测的分布。PERMBU通过估计的秩置换copula重新注入多元依赖关系执行自底向上聚合。Conformal保形预测使用保形预测提供无分布预测区间在交换性假设下提供有效覆盖。 快速开始5分钟上手hierarchicalforecast安装指南使用uv推荐或pip快速安装# 使用uv安装 uv pip install hierarchicalforecast # 或使用pip安装 pip install hierarchicalforecast基础使用示例import pandas as pd from hierarchicalforecast.core import HierarchicalReconciliation from hierarchicalforecast.methods import BottomUp, TopDown, MinTrace from hierarchicalforecast.evaluation import evaluate # 加载数据并计算基础预测 # ... 数据准备代码 ... # 创建协调器 reconcilers [ BottomUp(), TopDown(methodforecast_proportions), MinTrace() ] # 执行协调 hrec HierarchicalReconciliation(reconcilersreconcilers) Y_rec_df hrec.reconcile(Y_hat_dfY_hat_df, Y_dfY_train_df, S_dfS_df, tagstags) # 评估结果 evaluation evaluate(dfdf, tagstags, metrics[mse]) 项目核心模块详解核心模块hierarchicalforecast/core.py这是hierarchicalforecast的心脏包含HierarchicalReconciliation类负责协调预测的核心逻辑。它接受三个关键输入Y_df层次时间序列的DataFrameY_hat_df基础预测的DataFrameS_df聚合约束矩阵方法模块hierarchicalforecast/methods.py包含所有协调方法的实现从简单的BottomUp到复杂的MinTrace和ERM算法。每个方法都提供reconcile函数能够使用numpy数组协调基础预测。评估模块hierarchicalforecast/evaluation.py提供全面的评估功能支持多种评估指标包括MAE、MSE、RMSE、MAPE等。通过evaluate函数您可以轻松比较不同协调方法的性能。工具模块hierarchicalforecast/utils.py包含数据处理和辅助函数如aggregate函数用于创建聚合约束矩阵load_dataset函数用于加载标准数据集。概率方法模块hierarchicalforecast/probabilistic_methods.py专门处理概率预测协调提供Normality、Bootstrap、PERMBU和Conformal等方法满足不同场景下的概率预测需求。 实际应用场景零售业销售预测在零售业中您可能有商品→品类→部门→门店→区域的层级结构。使用hierarchicalforecast可以确保各层级预测的一致性为库存管理提供准确依据优化供应链规划地理数据预测对于地理层次数据城市→省份→国家该工具可以保持地理聚合的一致性支持多尺度决策制定提供区域发展洞察时间粒度协调当需要同时预测日、周、月数据时hierarchicalforecast能够统一不同时间粒度的预测支持多时间尺度分析提高长期预测的准确性 性能对比与优势根据官方实验hierarchicalforecast在多个数据集上表现出色准确性提升相比独立预测协调预测平均提升15-30%的准确性计算效率优化的算法实现确保大规模数据处理的高效性灵活性支持多种协调方法和评估指标易用性简洁的API设计降低学习曲线 最佳实践指南1. 数据准备技巧确保您的数据格式正确使用标准的DataFrame格式正确设置时间索引明确定义层次结构2. 方法选择策略对于简单层次结构从BottomUp开始当高层趋势明显时尝试TopDown需要平衡时使用MiddleOut追求统计最优选择MinTrace或ERM3. 评估与调优使用多种评估指标全面评估模型性能点预测准确性MAE、MSE、RMSE百分比误差MAPE概率预测分位数损失4. 生产部署建议建立自动化预测流水线定期重新训练模型监控预测性能变化建立A/B测试框架️ 高级功能探索时间层次协调hierarchicalforecast不仅支持跨截面协调还支持时间层次协调。这意味着您可以同时协调不同时间粒度的预测如日、周、月确保时间维度的一致性。自定义协调矩阵通过自定义聚合约束矩阵S_df您可以灵活定义任意复杂的层次结构满足特定的业务需求。集成机器学习模型该库与流行的机器学习框架兼容您可以轻松集成XGBoost、LightGBM等模型生成的基础预测然后进行层次协调。 学习资源与社区官方文档详细的使用指南和API文档可在项目文档中找到。文档包含丰富的示例和最佳实践是学习hierarchicalforecast的最佳起点。示例笔记本项目提供了多个示例笔记本涵盖从基础使用到高级应用的各个方面TourismSmall示例基础协调示例AustralianDomesticTourism示例概率预测示例大规模层次预测处理大规模数据社区支持加入活跃的社区与其他用户交流经验获取技术支持分享最佳实践。 开始您的层次预测之旅hierarchicalforecast为层次时间序列预测提供了一个强大、灵活且易于使用的解决方案。无论您是处理零售销售数据、地理统计数据还是任何具有层次结构的时间序列数据这个工具都能帮助您获得更准确、更一致的预测结果。通过本指南您已经掌握了hierarchicalforecast的核心概念、安装方法、基本使用和高级功能。现在就开始使用这个强大的工具提升您的预测能力做出更明智的业务决策记住成功的预测不仅需要好的工具还需要对业务的理解和数据的洞察。hierarchicalforecast为您提供了技术基础而您的专业知识和业务理解将决定最终的成功。祝您在层次预测的旅程中取得成功 【免费下载链接】hierarchicalforecastProbabilistic Hierarchical forecasting with statistical and econometric methods.项目地址: https://gitcode.com/gh_mirrors/hi/hierarchicalforecast创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考