Resumo Técnico: Reconciliação de Previsões Online Usando Modelos Lineares

Declaração do Problema

A reconciliação de previsões é uma técnica utilizada para garantir a coerência entre as previsões de séries temporais que possuem estruturas hierárquicas. Essas estruturas impõem restrições lineares (por exemplo, a soma das cargas subregionais deve ser igual à carga regional total). Embora os métodos tradicionais de reconciliação (como a Combinação Ótima) tenham sido bem-sucedidos em configurações offline, eles frequentemente dependem de Mínimos Quadrados Ordinários (OLS) ou Mínimos Quadrados Generalizados (GLS) que exigem o processamento em lote de dados históricos.

Em aplicações práticas, como a previsão de carga de aquecimento de zona (district heating), as previsões devem ser atualizadas regularmente conforme novas observações tornam-se disponíveis. Os métodos existentes de previsão hierárquica online e adaptativa frequentemente dependem de estimadores de encolhimento específicos (por exemplo, MinT com encolhimento de Ledoit-Wolf), mas podem carecer de um framework unificado para a estimativa recursiva de parâmetros, quantificação de incerteza e a modelagem explícita de correlações de erro em um cenário multivariado. O desafio reside no desenvolvimento de um framework que suporte o aprendizado online e adaptativo para séries temporais hierárquicas, fornecendo simultaneamente uma quantificação rigorosa da incerteza tanto para os parâmetros quanto para as previsões.

Metodologia

1. Formalização de Hierarquias via Grafos

Os autores formalizam as estruturas hierárquicas como árvores direcionadas $H = (Y, E)$, onde os nós representam estados do sistema e as arestas definem as restrições de soma.

• Matriz de Soma ($S$): Definida com base na alcançabilidade dos nós de nível inferior (folhas) a partir dos nós de nível superior. As restrições hierárquicas são expressas como $Sy_{bot} = y_{top}$, onde $y_{bot}$ e $y_{top}$ são vetores de estados de nível inferior e superior, respectivamente.
• Objetivo de Reconciliação: O objetivo é encontrar uma matriz de projeção $P$ tal que as previsões reconciliadas $\tilde{y}_t = S P \hat{y}_t$ satisfaçam as restrições hierárquicas, onde $\hat{y}_t$ representa as previsões base.

2. Modelo Linear Multivariado com Distribuição Normal de Matriz

O núcleo do framework proposto trata a reconciliação de previsões como um problema de modelo linear (LM).

• Formulação do Modelo: Em vez de assumir resíduos independentes, os autores utilizam um modelo linear multivariado onde os resíduos seguem uma distribuição Normal de Matriz:
  $$Y = X\theta + E, \quad E \sim MN(0, U, V)$$
  Aqui, $Y$ é a matriz de resposta (erros de previsão base de nível inferior), $X$ é a matriz de design construída a partir da diferença entre as previsões base de topo e base, $\theta$ representa os pesos de reconciliação, $U$ é a covariância temporal (linha) e $V$ é a covariância transversal (coluna).
• Conexão com Møller et al. (2024a): O framework baseia-se no resultado de que a reconciliação pode ser enunciada como um LM nos erros de previsão de nível inferior. Isso permite a aplicação da teoria padrão de LM à reconciliação hierárquica.

3. Regularização e Regressão Ridge

A estimativa de parâmetros é posta como um problema de regressão ridge para lidar com a colinearidade e garantir a estabilidade.

• Função Objetivo: Os autores minimizam uma norma do tipo Mahalanobis ponderada:
  $$J(\theta) = \|X\theta - Y\|_{P,R}^2 + \|\theta - \theta_0\|_{Q,R}^2$$
  Esta formulação conecta a regressão ridge, a estimativa Bayesiana (Máxima Posteriori) e os métodos de encolhimento (shrinkage).
• Interpretação de Encolhimento: Ao escolher priors específicos para $\theta_0$ e $Q$, a solução ridge recupera o estimador de encolhimento MinT. Os autores também exploram priors mais simples, como $\theta_0 = 0$, que corresponde a uma abordagem bottom-up no limite de forte regularização.

4. Inferência Recursiva para Cenários Online

Para permitir a previsão online, os autores derivam equações de atualização recursiva inspiradas em Mínimos Quadrados Recursivos (RLS).

• Premissas: O método assume resíduos independentes ao longo do tempo ($U$ é diagonal) e utiliza ponderação exponencial ($P$ é uma matriz diagonal com pesos decrescentes $\lambda^{t-s}$).
• Equações de Atualização: As estatísticas suficientes ($K_t, L_t, H_t$) são atualizadas recursivamente em cada passo de tempo $t$:
  $$K_{t+1} = \lambda K_t + x_{t+1}x_{t+1}^\top$$
  $$L_{t+1} = \lambda L_t + x_{t+1}y_{t+1}^\top$$
  $$H_{t+1} = \lambda^2 H_t + u_{t+1}x_{t+1}x_{t+1}^\top$$
  Isso permite atualizações eficientes de parâmetros sem o reprocessamento de todo o histórico.
• Quantificação de Incerteza: O framework fornece a distribuição preditiva para novas observações, incluindo a covariância das previsões reconciliadas, derivada das propriedades da normal de matriz.

5. Implementação

A metodologia é implementada no pacote Python de código aberto PyOnlineForecast. A implementação trata a reconciliação como uma transformação composta que:

1. Divide as previsões base em níveis superiores e inferiores.
2. Constrói matrizes de design e resposta (lidando com o atraso temporal para hierarquias temporais).
3. Aplica a regressão ridge recursiva para prever os erros de previsão de nível inferior.
4. Agrega e desloca as previsões para produzir previsões reconciliadas coerentes.

Principais Contribuições

1. Framework Unificado: O artigo apresenta um framework que unifica a reconciliação de previsões hierárquicas com modelos lineares multivariados, utilizando distribuições normais de matriz para caracterizar os resíduos.
2. Algoritmo Online e Adaptativo: Deriva um esquema de inferência recursiva baseado em regressão ridge, permitindo atualizações online eficientes de parâmetros de reconciliação e estimativas de incerteza.
3. Formalização via Teoria de Grafos: As hierarquias são formalmente definidas usando teoria de grafos e fechamento transitivo para construir a matriz de soma, fornecendo uma definição estrutural rigorosa.
4. Implementação de Código Aberto: Os autores fornecem o pacote PyOnlineForecast, oferecendo uma ferramenta prática para implementar esses métodos, baseada livremente no pacote R onlineforecast.
5. Conexões Teóricas: O artigo discute explicitamente as conexões entre regressão ridge, estimativa Bayesiana e estimadores de encolhimento (MinT) no contexto de reconciliação hierárquica.

Resultados: Estudo de Caso de Previsão de Carga de Aquecimento de Zona

A metodologia proposta foi demonstrada em um estudo de caso envolvendo a previsão de carga de aquecimento de zona (DH) para três áreas em Aarhus, Dinamarca, utilizando uma hierarquia temporal (agregações de 1 hora, 6 horas, 12 horas e 24 horas).

• Melhoria de Desempenho: A reconciliação de previsões consistentemente melhorou a precisão em todas as regiões, níveis de agregação e horizontes de previsão em comparação com as previsões base. A Redução Relativa no Erro Quadrático Médio (RRMSE) foi positiva em todos os cenários testados.
• Frequência de Atualização: O estudo comparou a atualização de parâmetros a cada hora (Caso Principal) versus a cada 2-24 horas (Casos 1-3).
  • Atualizações Horárias: Proporcionaram o melhor desempenho preditivo e estimativas de variância estáveis.
  • Atualizações Diárias: Resultaram em estimativas de variância menos estáveis e, geralmente, menor precisão. Os autores atribuem isso à redução da frequência de adaptação dos parâmetros às mudanças do sistema.
• Efeitos da Regularização:
  • Para horizontes curtos, uma maior regularização (empurrando os pesos para zero/bottom-up) melhorou o desempenho, provavelmente porque as previsões base para horizontes curtos já são precisas e dinâmicas.
  • Para horizontes longos, uma menor regularização produziu melhores resultados, pois o processo de reconciliação aproveitou efetivamente a estrutura da hierarquia para corrigir os erros de previsão base.
• Incerteza: O esquema recursivo rastreou com sucesso a variância dos erros de previsão, embora os autores observem que a incerteza de estimativa da própria matriz de variância $V$ não foi totalmente propagada para a distribuição preditiva na implementação atual.

Significância e Alegações

O artigo alega que sua principal significância reside em fornecer uma referência para a implementação da reconciliação de previsões via modelos lineares multivariados em um ambiente online.

• Utilidade Prática: O framework aborda a necessidade prática de atualizações regulares de previsões em sistemas dinâmicos (como o aquecimento de zona) onde os dados chegam sequencialmente.
• Flexibilidade: Ao formular a reconciliação como um modelo linear regularizado, a abordagem permite o uso de várias técnicas de regularização (por exemplo, Lasso, Elastic Net) e métodos de quantificação de incerteza além do MinT padrão.
• Modéstia: Os autores reconhecem limitações, como a suposição de resíduos independentes na derivação recursiva e o potencial de autocorrelação artificial em hierarquias temporais devido a observações repetidas. Eles sugerem que trabalhos futuros possam explorar estruturas de covariância mais gerais (por exemplo, distribuições normais de tensor) e priors de estimativa de variância mais sofisticados.

O trabalho demonstra que a previsão hierárquica online é viável e benéfica, particularmente quando as atualizações de parâmetros são frequentes e a regularização é ajustada de acordo com o horizonte de previsão e o nível de agregação.