Resumen Técnico: Reconciliación de Pronósticos en Línea mediante Modelos Lineales

Planteamiento del Problema

La reconciliación de pronósticos es una técnica utilizada para asegurar la coherencia entre los pronósticos de series temporales que poseen estructuras jerárquicas. Estas estructuras imponen restricciones lineales (por ejemplo, la suma de las cargas subregionales debe ser igual a la carga regional total). Si bien los métodos de reconciliación tradicionales (como la Combinación Óptima) han tenido éxito en entornos fuera de línea (offline), a menudo dependen de Mínimos Cuadrados Ordinarios (OLS) o Mínimos Cuadrados Generalizados (GLS) que requieren el procesamiento por lotes de datos históricos.

En aplicaciones prácticas, como el pronóstico de la carga de calefacción urbana, los pronósticos deben actualizarse regularmente a medida que se dispone de nuevas observaciones. Los métodos existentes de pronóstico jerárquico en línea y adaptativo suelen depender de estimadores de contracción específicos (por ejemplo, MinT con contracción de Ledoit-Wolf), pero pueden carecer de un marco unificado para la estimación recursiva de parámetros, la cuantificación de la incertidumbre y el modelado explícito de las correlaciones de error dentro de un entorno multivariante. El desafío radica en desarrollar un marco que soporte el aprendizaje adaptativo en línea para series temporales jerárquicas, proporcionando al mismo tiempo una cuantificación rigurosa de la incertidumbre tanto para los parámetros como para los pronósticos.

Metodología

1. Formalización de Jerarquías mediante Grafos

Los autores formalizan las estructuras jerárquicas como árboles dirigidos $H = (Y, E)$, donde los nodos representan estados del sistema y las aristas definen las restricciones de suma.

• Matriz de Sumación ($S$): Definida basada en la alcanzabilidad de los nodos de nivel inferior (hojas) desde los nodos de nivel superior. Las restricciones jerárquicas se expresan como $Sy_{bot} = y_{top}$, donde $y_{bot}$ y $y_{top}$ son vectores de estados de nivel inferior y superior, respectivamente.
• Objetivo de la Reconciliación: El objetivo es encontrar una matriz de proyección $P$ tal que los pronósticos reconciliados $\tilde{y}_t = S P \hat{y}_t$ cumplan con las restricciones de la jerarquía, donde $\hat{y}_t$ representa los pronósticos base.

2. Modelo Lineal Multivariante con Distribución Normal de Matrices

El núcleo del marco propuesto trata la reconciliación de pronósticos como un problema de modelo lineal (LM).

• Formulación del Modelo: En lugar de asumir residuos independientes, los autores utilizan un modelo lineal multivariante donde los residuos siguen una distribución Normal de Matrices:
  $$Y = X\theta + E, \quad E \sim MN(0, U, V)$$
  Aquí, $Y$ es la matriz de respuesta (errores de pronóstico base de nivel inferior), $X$ es la matriz de diseño construida a partir de la diferencia entre los pronósticos base superiores e inferiores, $\theta$ representa los pesos de reconciliación, $U$ es la covarianza de filas (correlación temporal) y $V$ es la covarianza de columnas (correlación transversal).
• Conexión con Møller et al. (2024a): El marco se basa en el resultado de que la reconciliación puede enunciarse como un LM en los errores de pronóstico base de nivel inferior. Esto permite la aplicación de la teoría estándar de LM a la reconciliación jerárquica.

3. Regularización y Regresión Ridge

La estimación de parámetros se plantea como un problema de regresión ridge para manejar la colinealidad y asegurar la estabilidad.

• Función Objetivo: Los autores minimizan una norma de tipo Mahalanobis ponderada:
  $$J(\theta) = \|X\theta - Y\|_{P,R}^2 + \|\theta - \theta_0\|_{Q,R}^2$$
  Esta formulación conecta la regresión ridge, la estimación bayesiana (Máxima Verosimilitud a Posteriori) y los métodos de contracción (shrinkage).
• Interpretación de la Contracción: Al elegir priors específicos para $\theta_0$ y $Q$, la solución ridge recupera el estimador de contracción MinT. Los autores también exploran priors más simples, como $\theta_0 = 0$, lo que corresponde a un enfoque bottom-up en el límite de una fuerte regularización.

4. Inferencia Recursiva para Entornos en Línea

Para permitir el pronóstico en línea, los autores derivan ecuaciones de actualización recursivas inspiradas en la Regresión de Mínimos Cuadrados Recursivos (RLS).

• Supuestos: El método asume que los residuos son independientes en el tiempo ($U$ es diagonal) y utiliza un peso exponencial ($P$ es una matriz diagonal con pesos decrecientes $\lambda^{t-s}$).
• Ecuaciones de Actualización: Los estadísticos suficientes ($K_t, L_t, H_t$) se actualizan recursivamente en cada paso de tiempo $t$:
  $$K_{t+1} = \lambda K_t + x_{t+1}x_{t+1}^\top$$
  $$L_{t+1} = \lambda L_t + x_{t+1}y_{t+1}^\top$$
  $$H_{t+1} = \lambda^2 H_t + u_{t+1}x_{t+1}x_{t+1}^\top$$
  Esto permite actualizaciones de parámetros eficientes sin tener que reprocesar todo el historial.
• Cuantificación de la Incertidumbre: El marco proporciona la distribución predictiva para nuevas observaciones, incluyendo la covarianza de los pronósticos reconciliados, derivada de las propiedades de la distribución normal de matrices.

5. Implementación

La metodología se implementa en el paquete de Python de código abierto PyOnlineForecast. La implementación trata la reconciliación como una transformación compuesta que:

1. Divide los pronósticos base en niveles superiores e inferiores.
2. Construye las matrices de diseño y de respuesta (manejando el retroceso temporal para jerarquías temporales).
3. Aplica la regresión ridge recursiva para predecir los errores de pronóstico de nivel inferior.
4. Agrega y desplaza las predicciones para producir pronósticos reconciliados coherentes.

Contribuciones Clave

1. Marco Unificado: El artículo presenta un marco que unifica la reconciliación de pronósticos jerárquicos con modelos lineales multivariantes, utilizando distribuciones normales de matrices para caracterizar los residuos.
2. Algoritmo Adaptativo y en Línea: Deriva un esquema de inferencia recursiva basado en la regresión ridge, permitiendo actualizaciones eficientes en línea de los parámetros de reconciliación y las estimaciones de incertidumbre.
3. Formalización mediante Teoría de Grafos: Las jerarquías se definen formalmente mediante la teoría de grafos y el cierre transitivo para construir la matriz de sumación, proporcionando una definición estructural rigurosa.
4. Implementación de Código Abierto: Los autores proporcionan el paquete PyOnlineForecast, ofreciendo una herramienta práctica para implementar estos métodos, basada libremente en el paquete de R onlineforecast.
5. Conexiones Teóricas: El artículo discute explícitamente las conexiones entre la regresión ridge, la estimación bayesiana y los estimadores de contracción (MinT) en el contexto de la reconciliación jerárquica.

Resultados: Caso de Estudio de Pronóstico de Carga de Calefacción Urbana

La metodología propuesta se demostró en un caso de estudio relacionado con el pronóstico de la carga de calefacción urbana (DH) para tres áreas en Aarhus, Dinamarca, utilizando una jerarquía temporal (agregaciones de 1 hora, 6 horas, 12 horas y 24 horas).

• Mejora del Rendimiento: La reconciliación de pronósticos mejoró consistentemente la precisión en todas las regiones, niveles de agregación y horizontes de pronóstico en comparación con los pronósticos base. La Reducción Relativa del Error Cuadrático Medio (RRMSE) fue positiva en todos los escenarios probados.
• Frecuencia de Actualización: El estudio comparó la actualización de parámetros cada hora (Caso Principal) frente a cada 24 horas (Casos 1-3).
  • Actualizaciones Horarias: Proporcionaron el mejor rendimiento predictivo y estimaciones de varianza estables.
  • Actualizaciones Diarias: Resultaron en estimaciones de varianza menos estables y, en general, una menor precisión. Los autores atribuyen esto a la reducción en la frecuencia de adaptación de los parámetros ante los cambios del sistema.
• Efectos de la Regularización:
  • Para horizontes cortos, una mayor regularización (empujando los pesos hacia cero/bottom-up) mejoró el rendimiento, probablemente porque los pronósticos base para horizontes cortos ya son precisos y dinámicos.
  • Para horizontes largos, una menor regularización produjo mejores resultados, ya que el proceso de reconciliación aprovechó eficazmente la estructura de la jerarquía para corregir los errores de los pronósticos base.
• Incertidumbre: El esquema recursivo rastreó con éxito la varianza de los errores de predicción, aunque los autores señalan que la incertidumbre de la estimación de la matriz de varianza $V$ en sí misma no se propagó completamente en la distribución predictiva en la implementación actual.

Significado y Reivindicaciones

El artículo afirma que su principal significancia radica en proporcionar un referente para implementar la reconciliación de pronósticos mediante modelos lineales multivariantes en un entorno en línea.

• Utilidad Práctica: El marco aborda la necesidad práctica de actualizaciones regulares de pronósticos en sistemas dinámicos (como la calefacción urbana) donde los datos llegan secuencialmente.
• Flexibilidad: Al formular la reconciliación como un modelo lineal regularizado, el enfoque permite el uso de diversas técnicas de regularización (por ejemplo, Lasso, Elastic Net) y métodos de cuantificación de la incertidumbre más allá del estándar MinT.
• Modestia: Los autores reconocen limitaciones, como el supuesto de residuos independientes en la derivación recursiva y el potencial de autocorrelación artificial en jerarquías temporales debido a las observaciones repetidas. Sugieren que trabajos futuros podrían explorar estructuras de covarianza más generales (por ejemplo, distribuciones normales de tensores) y priors de estimación de varianza más sofisticados.

El trabajo demuestra que el pronóstico jerárquico en línea es factible y beneficioso, particularmente cuando las actualizaciones de parámetros son frecuentes y la regularización se ajusta según el horizonte de pronóstico y el nivel de agregación.