Large Scale Hierarchical Industrial Demand Time-Series Forecasting incorporating Sparsity

层次时间序列预测（HTSF）是许多实际业务应用中的重要问题，其目标是通过层次关系同时预测多个相关的时间序列。然而，最近的研究并未解决在许多大型公司的需求预测应用中通常观察到的两个重要挑战。首先，许多层次结构中较低级别的时间序列具有高稀疏性，即它们有大量的零。大多数HTSF方法没有解决层次结构中这种不同的稀疏性。此外，它们无法扩展到通常在文献中使用的基准测试中看不到的实际层次结构的大规模。我们通过提出HAILS来解决这两个挑战，这是一种新颖的概率层次模型，通过自适应地对不同分布假设的稀疏和密集时间序列进行建模，并将它们调和以遵守层次约束，从而实现了准确和校准的概率预测。我们通过评估它们对真实世界的需求预测数据集的效果来展示我们方法的可扩展性和有效性。我们将HAILS部署在一家大型化学制造公司的产品需求预测应用中，涉及超过一万个产品，并观察到预测准确性有显着的8.5％的提高，稀疏时间序列的改进提高了23％。增强的准确性和可扩展性使HAILS成为改进业务计划和客户体验的有价值的工具。

解决问题：论文试图解决什么问题，或者验证什么假设？这是否是一个新问题？

关键思路：论文中解决问题的方案关键思路是什么？相比当前这个领域的研究状况，这篇论文的思路有什么新意？

其他亮点：论文提出了一种新的概率层次模型HAILS，能够适应不同层级之间的稀疏和密集时间序列，实现准确和校准的概率预测，并且在实际应用中取得了显著的预测准确性和可扩展性提升。实验使用了真实世界的需求预测数据集，并在一个大型化学制造公司的产品需求预测应用中应用。相关研究：当前领域的相关研究主要集中在层次时间序列预测方法的改进上，但大多数方法没有考虑到层次结构内部时间序列的不同稀疏度和规模扩展性问题。

相关研究：当前领域的相关研究主要集中在层次时间序列预测方法的改进上，但大多数方法没有考虑到层次结构内部时间序列的不同稀疏度和规模扩展性问题。