Résumé Technique : Réconciliation de Prévisions en Ligne via des Modèles Linéaires

Énoncé du Problème

La réconciliation de prévisions est une technique utilisée pour assurer la cohérence entre les prévisions de séries temporelles possédant des structures hiérarchiques. Ces structures imposent des contraintes linéaires (par exemple, la somme des charges sous-régionales doit être égale à la charge régionale totale). Bien que les méthodes de réconciliation traditionnelles (telles que l'Optimal Combination) aient réussi dans des contextes hors ligne, elles reposent souvent sur les moindres carrés ordinaires (OLS) ou les moindres carrés généralisés (GLS) qui nécessitent un traitement par lots des données historiques.

Dans les applications pratiques, telles que la prévision de la charge de chauffage urbain, les prévisions doivent être mises à jour régulièrement à mesure que de nouvelles observations deviennent disponibles. Les méthodes existantes de prévision hiérarchique en ligne et adaptative reposent souvent sur des estimateurs de contraction spécifiques (par exemple, MinT avec la contraction de Ledoit-Wolf), mais peuvent manquer d'un cadre unifié pour l'estimation récursive des paramètres, la quantification de l'incertitude et la modélisation explicite des corrélations d'erreurs dans un cadre multivarié. Le défi consiste à développer un cadre qui supporte l'apprentissage en ligne et adaptatif pour les séries temporelles hiérarchiques tout en fournissant une quantification rigoureuse de l'incertitude, tant pour les paramètres que pour les prévisions.

Méthodologie

1. Formalisation des Hiérarchies via des Graphes

Les auteurs formalisent les structures hiérarchiques comme des arbres dirigés $H = (Y, E)$, où les nœuds représentent les états du système et les arêtes définissent les contraintes de sommation.

• Matrice de Sommation ($S$) : Définie sur la base de la joignabilité des nœuds de niveau inférieur (feuilles) depuis les nœuds de niveau supérieur. Les contraintes hiérarchiques s'expriment par $Sy_{bot} = y_{top}$, où $y_{bot}$ et $y_{top}$ sont respectivement les vecteurs des états de bas niveau et de haut niveau.
• Objectif de Réconciliation : L'objectif est de trouver une matrice de projection $P$ telle que les prévisions réconciliées $\tilde{y}_t = S P \hat{y}_t$ respectent les contraintes hiérarchiques, où $\hat{y}_t$ représente les prévisions de base.

2. Modèle Linéaire Multivarié avec Distribution Normale Matricielle

Le cœur du cadre proposé traite la réconciliation de prévisions comme un problème de modèle linéaire (LM).

• Formulation du Modèle : Au lieu de supposer des résidus indépendants, les auteurs utilisent un modèle linéaire multivarié où les résidus suivent une distribution normale matricielle :
  $$Y = X\theta + E, \quad E \sim MN(0, U, V)$$
  Ici, $Y$ est la matrice de réponse (erreurs de prévision de base au niveau inférieur), $X$ est la matrice de conception construite à partir de la différence entre les prévisions de base supérieures et inférieures, $\theta$ représente les poids de réconciliation, $U$ est la covariance de ligne (corrélation temporelle) et $V$ est la covariance de colonne (corrélation transversale).
• Connexion avec Møller et al. (2024a) : Le cadre s'appuie sur le résultat selon lequel la réconciliation peut être énoncée comme un LM sur les erreurs de prévisions de base de bas niveau. Cela permet l'application de la théorie standard des LM à la réconciliation hiérarchique.

3. Régularisation et Régression Ridge

L'estimation des paramètres est posée comme un problème de régression ridge pour gérer la colinéarité et assurer la stabilité.

• Fonction d'Objectif : Les auteurs minimisent une norme de type Mahalanobis pondérée :
  $$J(\theta) = \|X\theta - Y\|_{P,R}^2 + \|\theta - \theta_0\|_{Q,R}^2$$
  Cette formulation relie la régression ridge, l'estimation bayésienne (Maximum A Posteriori) et les méthodes de contraction.
• Interprétation de la Contraction : En choisissant des priors spécifiques pour $\theta_0$ et $Q$, la solution ridge récupère l'estimateur de contraction MinT. Les auteurs explorent également des priors plus simples, tels que $\theta_0 = 0$, ce qui correspond à une approche "bottom-up" dans la limite d'une forte régularisation.

4. Inférence Récursive pour les Contextes en Ligne

Pour permettre la prévision en ligne, les auteurs dérivent des équations de mise à jour récursives inspirées des moindres carrés récursifs (RLS).

• Hypothèses : La méthode suppose des résidus indépendants dans le temps ($U$ est diagonale) et utilise une pondération exponentielle ($P$ est une matrice diagonale avec des poids décroissants $\lambda^{t-s}$).
• Équations de Mise à Jour : Les statistiques suffisantes ($K_t, L_t, H_t$) sont mises à jour de manière récursive à chaque pas de temps $t$ :
  $$K_{t+1} = \lambda K_t + x_{t+1}x_{t+1}^\top$$
  $$L_{t+1} = \lambda L_t + x_{t+1}y_{t+1}^\top$$
  $$H_{t+1} = \lambda^2 H_t + u_{t+1}x_{t+1}x_{t+1}^\top$$
  Cela permet des mises à jour efficaces des paramètres sans retraiter l'intégralité de l'historique.
• Quantification de l'Incertitude : Le cadre fournit la distribution prédictive pour de nouvelles observations, incluant la covariance des prévisions réconciliées, dérivée des propriétés de la normale matricielle.

5. Implémentation

La méthodologie est implémentée dans le package Python open-source PyOnlineForecast. L'implémentation traite la réconciliation comme une transformation composite qui :

1. Divise les prévisions de base en niveaux supérieurs et inférieurs.
2. Construit les matrices de conception et de réponse (en gérant le décalage temporel pour les hiérarchies temporelles).
3. Applique la régression ridge récursive pour prédire les erreurs de prévision de bas niveau.
4. Agrège et décale les prédictions pour produire des prévisions réconciliées cohérentes.

Contributions Clés

1. Cadre Unifié : L'article présente un cadre qui unifie la réconciliation de prévisions hiérarchiques avec les modèles linéaires multivariés, en utilisant les distributions normales matricielles pour caractériser les résidus.
2. Algorithme en Ligne et Adaptatif : Il dérive un schéma d'inférence récursive basé sur la régression ridge, permettant des mises à jour en ligne efficaces des paramètres de réconciliation et des estimations d'incertitude.
3. Formalisation par la Théorie des Graphes : Les hiérarchies sont formellement définies à l'aide de la théorie des graphes et de la clôture transitive pour construire la matrice de sommation, fournissant une définition structurelle rigoureuse.
4. Implémentation Open Source : Les auteurs fournissent le package PyOnlineForecast, offrant un outil pratique pour implémenter ces méthodes, largement basé sur le package R onlineforecast.
5. Connexions Théoriques : L'article discute explicitement des liens entre la régression ridge, l'estimation bayésienne et les estimateurs de contraction (MinT) dans le contexte de la réconciliation hiérarchique.

Résultats : Étude de Cas sur la Prévision de la Charge de Chauffage Urbain

La méthodologie proposée a été démontrée lors d'une étude de cas impliquant la prévision de la charge de chauffage urbain (DH) pour trois zones d'Aarhus, au Danemark, utilisant une hiérarchie temporelle (agrégations horaires, de 6 heures, 12 heures et 24 heures).

• Amélioration de la Performance : La réconciliation des prévisions a systématiquement amélioré la précision dans toutes les régions, tous les niveaux d'agrégation et tous les horizons de prévision par rapport aux prévisions de base. La réduction relative de l'erreur quadratique moyenne (RRMSE) était positive dans tous les scénarios testés.
• Fréquence de Mise à Jour : L'étude a comparé la mise à jour des paramètres toutes les heures (Cas Principal) par rapport à toutes les 24 heures (Cas 1-3).
  • Mises à jour Horaires : Ont fourni la meilleure performance prédictive et des estimations de variance stables.
  • Mises à jour Quotidiennes : Ont entraîné des estimations de variance moins stables et une précision généralement plus faible. Les auteurs attribuent cela à la fréquence réduite d'adaptation des paramètres aux changements du système.
• Effets de la Régularisation :
  • Pour les horizons courts, une régularisation plus élevée (poussant les poids vers zéro/bottom-up) a amélioré la performance, car les prévisions de base pour les horizons courts sont déjà précises et dynamiques.
  • Pour les horizons longs, une régularisation plus faible a donné de meilleurs résultats, car le processus de réconciliation exploite efficacement la structure de la hiérarchie pour corriger les erreurs de prévision de base.
• Incertitude : Le schéma récursif a réussi à suivre la variance des erreurs de prédiction, bien que les auteurs notent que l'incertitude d'estimation de la matrice de variance $V$ elle-même n'a pas été pleinement propagée dans la distribution prédictive dans l'implémentation actuelle.

Signification et Revendications

L'article affirme que sa principale importance réside dans le fait de fournir une référence pour l'implémentation de la réconciliation de prévisions via des modèles linéaires multivariés dans un contexte en ligne.

• Utilité Pratique : Le cadre répond au besoin pratique de mises à jour régulières des prévisions dans des systèmes dynamiques (comme le chauffage urbain) où les données arrivent séquentiellement.
• Flexibilité : En formulant la réconciliation comme un modèle linéaire régularisé, l'approche permet l'utilisation de diverses techniques de régularisation (par exemple, Lasso, Elastic Net) et de méthodes de quantification de l'incertitude au-delà du MinT standard.
• Modestie : Les auteurs reconnaissent des limites, telles que l'hypothèse de résidus indépendants dans la dérivation récursive et le potentiel d'autocorrélation artificielle dans les hiérarchies temporelles due aux observations répétées. Ils suggèrent que des travaux futurs pourraient explorer des structures de covariance plus générales (par exemple, les distributions normales tensorielles) et des priors d'estimation de variance plus sophistiqués.

Le travail démontre que la prévision hiérarchique en ligne est réalisable et bénéfique, particulièrement lorsque les mises à jour des paramètres sont fréquentes et que la régularisation est ajustée en fonction de l'horizon de prévision et du niveau d'agrégation.