소매 판매, 에너지 사용량, 공급망 계획 등 많은 실세계 응용에서 예측은 계층적 구조에 걸쳐 수행됩니다. 이러한 구조는 흔히 집계 관계(예: 제품 → 카테고리 → 지역)를 나타내며, 예측값은 정확할 뿐만 아니라 일관성(coherence), 즉 하위 수준의 예측값이 상위 수준의 예측값에 올바르게 합산되어야 합니다. Bottom-Up이나 MinT와 같은 전통적인 통계적 방법은 후처리를 통해 일관성을 강제하지만, 복잡한 비선형 시간적 의존성과 공변량 상호작용을 모델링하는 데 한계가 있습니다. 우리는 Hierarchical Temporal Fusion(HTF)을 제안합니다. 이는 Temporal Fusion Transformer(TFT)의 새로운 확장으로, 구조화된 계층적 임베딩과 일관성 인식 손실 함수를 통합하여 계층의 모든 수준에서 일관된 예측을 보장합니다. HTF는 예측 후 조정(reconciliation)을 적용하는 대신, 학습 목적 함수에 일관성을 직접 내재화합니다. 일관성 손실은 학습 중 집계된 자식 예측값과 해당 부모 예측값 간의 차이를 페널티로 부과함으로써, 모델이 시간적 동태와 구조적 일관성을 동시에 학습할 수 있게 합니다. 우리는 HTF를 두 개의 공개 벤치마크 데이터셋인 M5 Walmart 예측 데이터셋과 공개된 계층적 에너지 소비 데이터셋에서 평가합니다. 결과는 HTF가 고전적인 조정 방법 및 심층 학습 기준 모델과 비교하여 예측 비일관성을 크게 줄이면서 예측 정확도를 향상시킴을 보여줍니다. 또한 어텐션 시각화와 임베딩 분석을 통해 시간적 정보와 구조적 정보가 계층적 예측 성능에 어떻게 기여하는지에 대한 인사이트를 제공합니다.
예측 조정(forecast reconciliation)은 계층적(hierarchical) 및 그룹화된(grouped) 시계열과 같이 선형 제약이 있는 다변량 시계열 예측의 정확도와 일관성(coherence)을 높이는 데 핵심적인 역할을 하게 되었다. 그러나 단면(cross-sectional), 시간(temporal), 교차-시간(cross-temporal) 조정을 함께 다루는 종합적인 소프트웨어는 지금까지 부족했다. R 패키지 FoReco와 FoRecoML은 포괄적이고 통합된 프레임워크를 제공함으로써 이러한 공백을 메운다. 두 패키지는 각각 고전적 및 회귀 기반 선형 조정 방법과, 단면, 시간, 교차-시간 프레임워크를 위한 기계학습(machine learning) 기반 비선형 방법을 구현한다. 접근성과 유연성을 고려해 설계된 이 패키지들은 신규 사용자가 최소한의 노력으로 조정 방법을 적용할 수 있는 합리적인 기본 옵션을 제공하는 동시에, 숙련 사용자에게 맞춤 설정을 통해 최신(state-of-the-art) 확장을 탐색할 수 있는 완전한 제어권을 부여한다. 이러한 이중 초점을 통해 FoReco와 FoRecoML은 예측 조정 연구와 실무에 종사하는 실무자 및 연구자를 위한 다목적 도구이다.
정확하고 일관된 승객 수요 예측은 도시 철도 교통(URT) 운영에 필수적이다. 승객 수요는 출발지-목적지(OD) 흐름이 보존 제약을 통해 역 단위 유입 및 유출로 집계되는 계층적 구조를 갖는다. 실무에서는 역 단위와 OD 단위 예측이 종종 독립적으로 생성되어, 이러한 제약을 위반하는 비일관적 예측을 낳고 운영 의사결정에 불일치를 초래한다. 이러한 문제는 예측 신뢰성이 가장 중요한 중단 상황에서 더욱 심각해진다. 본 논문은 역 단위와 OD 단위 URT 수요 예측을 공동으로 수행하기 위한 최초의 계층적 예측 조정 프레임워크를 제시한다. 신경망 기반 Fully Connected Reconciler(FCR)는 비일관적 기본 예측에서 일관적인 계층적 예측으로의 비선형 매핑을 학습하며, 구조적으로 정확한 일관성을 보장한다. 해당 방법은 코펜하겐 S-train 네트워크의 Rejsekort 스마트카드 데이터를 사용하여 1단계, 다단계, 중단 예측 시나리오 하에서 OLS, WLS, Minimum Trace(MinT) 변형들과 벤치마크 비교되었다. 결과는 조정이 계층적 일관성을 보장하는 동시에 OD 예측 정확도를 지속적으로 향상시킴을 보여준다. 정상 조건 하에서 FCR은 MinT 기반 방법들과 경쟁력 있는 성능을 보였다. 오라클 분석은 완벽한 역 단위 예측이 OD 예측 오차를 최대 34%까지 줄일 수 있음을 나타내며, 개선된 기본 예측의 가치를 부각한다. 심각한 중단 상황에서 FCR은 고전적 방법들을 능가하며, 다단계 목적지 측 지연 시나리오에서 OD 예측 오차를 최대 17.45%까지 감소시켰다. 이러한 결과는 계층적 조정이 예측 견고성을 향상시키는 효과적인 메커니즘임을 확립하며, 가장 도전적인 운영 조건에서 가장 큰 이점이 발생함을 보여준다.