Hierarchical Bayes meets hierarchical forecasting: A flexible framework for level-focused forecasts

तकनीकी सारांश: पदानुक्रमित बेयसियन (Hierarchical Bayes) और पदानुक्रमित पूर्वानुमान (Hierarchical Forecasting) का मिलन

समस्या विवरण
जटिल प्रणालियों में निर्णय लेने के लिए पदानुक्रमित पूर्वानुमान (Hierarchical forecasting) आवश्यक है, जहाँ निचले स्तरों के पूर्वानुमानों को उच्च स्तरों के साथ सुसंगत रूप से एकत्रित होना चाहिए (जैसे, राष्ट्रीय कुल के लिए क्षेत्रीय मांग का योग)। वर्तमान अत्याधुनिक विधियाँ, जैसे कि मिनिमम ट्रेस (MinT) समाधान (reconciliation), आमतौर पर एक पोस्ट-प्रोसेसिंग चरण के रूप में कार्य करती हैं। वे स्वतंत्र बेस पूर्वानुमान उत्पन्न करती हैं और फिर सुसंगतता सुनिश्चित करने के लिए उन्हें पुनर्गठित करती हैं। इस दृष्टिकोण की कई सीमाएँ हैं:

1. अनुमान और सुसंगतता का पृथक्करण: सुसंगतता की आवश्यकता को मूल पैरामीटर अनुमान में शामिल नहीं किया जाता है, जिसका अर्थ है कि मॉडल प्रशिक्षण के दौरान पदानुक्रमित संरचना से नहीं सीखता है।
2. कोवेरिएंस अनुमान की चुनौतियाँ: संभाव्य समाधान (probabilistic reconciliation) (जैसे, वितरण के लिए MinT का विस्तार करना) पूर्वानुमान त्रुटियों के कोवेरिएंस मैट्रिक्स के अनुमान की मांग करता है, जो मल्टी-स्टेप होराइजन्स के लिए गणनात्मक रूप से कठिन और अक्सर अस्थिर होता है।
3. निर्णय-केंद्रित दृष्टिकोण का अभाव: मौजूदा विधियाँ आम तौर पर सभी स्तरों को समान मानती हैं या वैश्विक त्रुटि न्यूनीकरण के लिए अनुकूलित होती हैं, जिससे उन परिदृश्यों का ध्यान नहीं रखा जाता जहाँ विशिष्ट स्तर निर्णय परिणामों के लिए अधिक महत्वपूर्ण होते हैं या जहाँ एक विशिष्ट स्तर पर सटीकता के लिए सख्त सुसंगतता कम महत्वपूर्ण होती है।
4. कैलिब्रेशन (Calibration) संबंधी मुद्दे: पोस्ट-हॉक समाधान सुसंगतता को लागू कर सकते हैं, लेकिन यह पूर्वानुमान के कैलिब्रेशन की कीमत पर होता है, जिससे अच्छे रूप से निर्दिष्ट बेस मॉडल होने के बावजूद खराब कैलिब्रेटेड संभाव्य पूर्वानुमान प्राप्त हो सकते हैं।

कार्यप्रणाली
लेखक एक पूर्णतः बेयसियन पदानुक्रमित पूर्वानुमान ढांचे (fully Bayesian hierarchical forecasting framework) का प्रस्ताव करते हैं जो सूचना साझाकरण, सुसंगतता बाधाओं और निर्णय-केंद्रित वेटिंग (weighting) को सीधे मॉडल प्रशिक्षण प्रक्रिया में एकीकृत करता है। कार्यप्रणाली में तीन मुख्य घटक शामिल हैं:

1. बेयसियन पदानुक्रमित प्रायर्स (Bayesian Hierarchical Priors):
   प्रत्येक श्रृंखला के लिए पैरामीटरों का स्वतंत्र रूप से अनुमान लगाने के बजाय, लेखक एक पदानुक्रमित प्रायोर संरचना का उपयोग करते हैं जहाँ व्यक्तिगत श्रृंखलाओं के पैरामीटर ($\theta_i$) एक जनसंख्या वितरण से लिए जाते हैं जो हाइपरपैरामीटर्स ($\phi$) द्वारा परिभाषित होता है। यह आंशिक सूचना पूलिंग (partial information pooling) की सुविधा प्रदान करता है, जिससे एक ही स्तर की श्रृंखलाओं और विभिन्न स्तरों (पैरेंट-चाइल्ड नोड्स) के बीच सूचना साझा करना संभव होता है। यह शोरयुक्त या अपूर्ण डेटा वाली श्रृंखलाओं के लिए विशेष रूप से फायदेमंद है, क्योंकि वे संबंधित श्रृंखलाओं द्वारा सूचित होती हैं।

2. सॉफ्ट कोहेरेंस पेनल्टी (Soft Coherence Penalty):
   कठोर बाधाओं को लागू करने के बजाय, ढांचा लाइकलीहुड फंक्शन (likelihood function) के भीतर असंगति (incoherence) पर एक सॉफ्ट पेनल्टी पेश करता है। निचले स्तर की श्रृंखलाओं के योग और संबंधित ऊपरी स्तर की श्रृंखला के बीच के अंतर ($d_t$) को एक गाऊसी वितरण $N(0, \sigma^2_{coh})$ के रूप में मॉडल किया जाता है।

• लाइकलीहुड को इस पेनल्टी टर्म से गुणा किया जाता है: $p(d|\sigma^2_{coh}I_T)$।
• पैरामीटर $\sigma_{coh}$ पेनल्टी की सख्ती को नियंत्रित करता है। एक छोटा $\sigma_{coh}$ सख्त सुसंगतता लागू करता है।
• यह "सॉफ्ट" दृष्टिकोण मॉडल की सटीकता और सुसंगतता के बीच संतुलन बनाने की अनुमति देता है, जिससे मिसस्पेसिफाइड (misspecified) मॉडल के मामले में अवास्तविक भविष्यवाणियों से बचा जा सकता है। यह MinT के लिए आवश्यक जटिल मल्टी-स्टेप कोवेरिएंस मैट्रिक्स के अनुमान की आवश्यकता को समाप्त करता है।

3. लेवल वेटिंग (पावर पोस्टेरियर्स) (Level Weighting - Power Posteriors):
   निर्णय लेने के लिए विभिन्न स्तरों के महत्व को संबोधित करने के लिए, लेखक विशिष्ट श्रृंखलाओं या स्तरों के लाइकलीहुड पर एक वेटिंग फैक्टर $\lambda_i$ लागू करते हैं।

• $\lambda_i > 1$ सेट करके, मॉडल विशिष्ट स्तरों (जैसे, कुल राष्ट्रीय स्तर या एक विशिष्ट यात्रा उद्देश्य) पर सटीकता को प्राथमिकता देता है।
• इसे पावर पोस्टेरियर दृष्टिकोण का उपयोग करके लागू किया जाता है, जो केंद्रित स्तर के डेटा को अन्य स्तरों के सापेक्ष अधिक भार (up-weighting) देता है।
• यह चुनिंदा स्तरों पर निर्णय परिणामों के लिए वैश्विक मॉडल को अनुकूलित करने की अनुमति देता है जबकि सॉफ्ट कोहेरेंस बाधाओं को बनाए रखता है।

पूर्ण पोस्टीरियर वितरण, पदानुक्रमित प्रायर, वेटेड लाइकलीहुड और कोहेरेंस पेनल्टी को जोड़ता है।

प्रमुख योगदान

• एकीकृत ढांचा: यह शोध पत्र एक एकीकृत बेयसियन ढांचे को पेश करता है जो पैरामीटर अनुमान, सूचना पूलिंग और सुसंगतता प्रवर्तन को एक पोस्ट-हॉक सुधार के बजाय एक साथ करता है।
• सॉफ्ट कोहेरेंस: यह एक वितरण संबंधी बाधा प्रस्तावित करता है जो असंगति को सॉफ्ट तरीके से दंडित करता है, जो मल्टी-स्टेप होराइजन्स के लिए कोवेरिएंस मैट्रिक्स अनुमान की आवश्यकता के बिना, मॉडल फिट और एकत्रीकरण बाधाओं के बीच एक लचीला ट्रेड-ऑफ प्रदान करता है।
• निर्णय-जागरूक फोकस: यह पद्धति निर्णय परिणामों के लिए प्रासंगिक स्तरों को अलग-अलग भार देने के लिए एक तंत्र पेश करती है, जिससे रुचि के विशिष्ट स्तरों पर सटीकता के लिए पदानुक्रम को अनुकूलित किया जाता है।
• नैदानिक क्षमता (Diagnostic Capability): यह दृष्टिकोण एक नैदानिक उपकरण के रूप में कार्य करता है; यदि मॉडल सख्त पेनल्टी के साथ भी सुसंगतता प्राप्त करने में विफल रहता है, तो यह केवल समाधान विफलता के बजाय मॉडल मिसस्पेसिफिकेशन (misspecification) का संकेत देता है।

परिणाम
ढांचे का मूल्यांकन सिम्युलेटेड डेटा (वेल-स्पेसिफाइड और मिसस्पेसिफाइड ARMA/ETS मॉडल) और वास्तविक दुनिया के ऑस्ट्रेलियाई घरेलू पर्यटन डेटा (क्षेत्रों, ज़ोन, राज्यों और यात्रा उद्देश्यों का एक 5-स्तरीय पदानुक्रम) दोनों पर किया गया।

• सुसंगतता (Coherence): बेयसियन पदानुक्रमित दृष्टिकोण ने स्वतंत्र मॉडलों की तुलना में, पेनल्टी लागू करने से पहले ही, माध्य और वितरण संबंधी असंगति को स्वाभाविक रूप से कम कर दिया। सॉफ्ट पेनल्टी लागू करने से असंगति में काफी कमी आई।
• सटीकता (सिम्युलेटेड डेटा):
  • वेल-स्पेसिफाइड मॉडल्स में, स्वतंत्र बेयसियन मॉडल सबसे अच्छा प्रदर्शन करते हैं, क्योंकि पदानुक्रमित श्रिंकेज (shrinkage) अनुमानों को वास्तविक पैरामीटर्स से थोड़ा बायस (bias) करता है। हालांकि, कोहेरेंस पेनल्टी के साथ बेयसियन दृष्टिकोण ने प्रोबबिलिस्टिक कवरेज के मामले में MinT से बेहतर प्रदर्शन किया।
  • मिसस्पेसिफाइड मॉडल्स में, पदानुक्रमित दृष्टिकोण के लाभ दिखाई दिए, विशेष रूप से बेहतर डेटा गुणवत्ता वाले स्तरों (जैसे, निचले स्तरों) को वेट करने पर। मिसस्पेसिफाइड परिदृश्य में शीर्ष स्तर को वेट करने से समग्र प्रदर्शन बिगड़ गया, जो केंद्रित स्तर में डेटा/मॉडल की गुणवत्ता के महत्व को रेखांकित करता है।
• सटीकता (ऑस्ट्रेलियाई पर्यटन डेटा):
  • पदानुक्रमित बेयसियन मॉडल अधिकांश मेट्रिक्स (RMSSE, ES, CRPS) में स्वतंत्र बेयसियन मॉडल और MinT समाधान से बेहतर रहे।
  • लेवल वेटिंग: विशिष्ट स्तरों (जैसे, "कुल" या "उद्देश्य") की ओर झुके हुए मॉडलों ने उन विशिष्ट स्तरों पर सर्वश्रेष्ठ प्रदर्शन किया और अक्सर अनवेटेड मॉडलों की तुलना में पड़ोसी स्तरों पर भी प्रदर्शन में सुधार किया।
  • कैलिब्रेशन: MinT समाधान के परिणामस्वरूप ऊपरी स्तरों पर महत्वपूर्ण अंडर-कवरेज (खराब कैलिब्रेशन) देखा गया। प्रस्तावित बेयसियन दृष्टिकोण ने बेहतर कैलिब्रेशन बनाए रखा, हालांकि लेवल-वेटेड मॉडलों ने बढ़े हुए आत्मविश्वास के कारण केंद्रित स्तरों पर मामूली अंडर-कवरेज दिखाया, जो स्वीकार्य सीमाओं (95% लक्ष्य के भीतर 5% के भीतर) के भीतर था।
  • मिसस्पेसिफिकेशन डिटेक्शन: पर्यटन डेटा पर बहुत सख्त कोहेरेंस पेनल्टी के साथ मॉडल का अभिसरण (converge) न कर पाना मॉडल मिसस्पेसिफिकेशन (संभवतः ETS मॉडल में अनमॉडलled कोवेरिएट्स के कारण) का सुझाव देता है, जो मॉडल की सीमाओं को डायग्नोस करने में इस ढांचे की उपयोगिता को प्रदर्शित करता है।

महत्व और दावे
शोध का दावा है कि इसका प्राथमिक महत्व पदानुक्रमित पूर्वानुमान को एक पोस्ट-प्रोसेसिंग समाधान कार्य से बदलकर एक एकीकृत मॉडलिंग प्रक्रिया बनाना है। सुसंगतता और निर्णय प्राथमिकताओं को सीधे बेयसियन पैरामीटर अनुमान में शामिल करके:

1. यह सूचना साझाकरण (information sharing) को सुधारता है, जिससे बेहतर पैरामीटर अनुमान प्राप्त होते हैं, विशेष रूप से डेटा-दुर्लभ या शोर वाले परिदृश्यों में।
2. यह सटीकता और सुसंगतता के बीच ट्रेड-ऑफ पर लचीला नियंत्रण प्रदान करता है, जिससे पूर्वानुमानकर्ता कठोर सुसंगतता को थोपे बिना, विशिष्ट निर्णय-प्रासंगिक स्तरों को प्राथमिकता दे सकते हैं।
3. यह मल्टी-स्टेप संभाव्य समाधान के लिए कोवेरिएंस मैट्रिक्स अनुमान के कम्प्यूटेशनल और सांख्यिकीय खतरों से बचता है।
4. यह एक नैदानिक दृष्टिकोण प्रदान करता है: यदि सॉफ्ट पेनल्टी सुसंगतता प्राप्त करने में विफल रहती है, तो यह मॉडल मिसस्पेसिफिकेशन का संकेत देती है, जो मॉडल के चयन के पुनर्मूल्यांकन की ओर इशारा करती है।

लेखक निष्कर्ष निकालते हैं कि जबकि उनका दृष्टिकोण सटीकता और सुसंगतता के बीच संतुलन बनाने में उत्कृष्ट है, यह तब सबसे प्रभावी होता है जब मूल मॉडल उचित रूप से निर्दिष्ट हो या उच्च-गुणवत्ता वाले डेटा वाले स्तरों पर ध्यान केंद्रित किया गया हो। वे स्वीकार करते हैं कि छोटे सैंपल साइज में, वेटिंग दृष्टिकोण से कुछ पश्चातवर्ती मिसकैलिब्रेशन (posterior miscalibration) हो सकता है, लेकिन उनका तर्क है कि केंद्रित भविष्य कहनेवाला प्रदर्शन के लाभ इसकी लागत से अधिक हैं।