1. 课程导论
1.1 层级预测中的数据稀疏问题
在层级预测（Hierarchical Forecasting）中，数据稀疏性是指高层级（如全国总量）数据充足，而低层级（如SKU-门店-日）数据极度匮乏的现象。这种稀疏性直接导致模型在细粒度层级上无法稳定学习，预测方差急剧膨胀。
数据稀疏的典型表现：
- 零值膨胀：低层级时间序列中大量出现零值，尤其在间歇性需求场景（如汽车配件、奢侈品）。
- 样本量不足：底层节点历史数据长度远小于模型参数数量，导致过拟合。
- 信噪比低：随机波动掩盖了真实信号，模型难以捕捉底层模式。
| 层级 | 典型粒度 | 数据密度 | 预测难度 |
|---|---|---|---|
| 顶层 | 全国-月 | 高（>1000样本） | 低 |
| 中层 | 区域-周 | 中（100~1000样本） | 中 |
| 底层 | 门店-日 | 低（<100样本，含大量零值） | 高 |
1.2 调和权重学习的核心价值
传统层级预测方法（如自顶向下、自底向上）要么忽略底层信息，要么放大底层噪声。调和权重学习（Reconciliation Weight Learning）通过自动学习各层级预测的贡献权重，在保持总量一致性的同时，动态抑制稀疏层级的噪声，增强数据充足层级的信号。
调和权重学习的三大优势：
- 自适应稀疏处理：权重自动向数据质量高的层级倾斜，降低稀疏层级的负面影响。
- 一致性保证：强制满足层级加和约束（如门店汇总=区域，区域汇总=全国）。
- 端到端优化：权重与基预测器联合训练，避免两阶段次优解。
1.3 本课程目标与适用场景
本课程旨在系统性地解决层级预测中数据稀疏与调和权重学习的参数调优难题。课程覆盖从理论推导到工程落地的完整链路。
| 维度 | 具体内容 |
|---|---|
| 核心目标 | 掌握数据稀疏场景下调和权重学习的参数调优方法论，实现预测精度提升≥15% |
| 适用场景 | 零售SKU-门店预测、供应链多级库存、能源区域-用户负荷、金融层级风险 |
| 前置知识 | 基础时间序列（ARIMA/Prophet）、梯度下降原理、Python编程 |
| 课程产出 | 可复用的参数调优模板、稀疏层级诊断工具、调和权重可视化报告 |
注意：本课程不适用于数据完全缺失（非稀疏）的场景，也不适用于非层级结构的独立预测问题。课程假设用户已具备基础预测模型，重点在于调和权重的参数调优，而非从零构建预测器。
1.4 课程内容速览
本课程共30章，按以下逻辑组织：
- 第1-5章：基础概念与问题定义（数据稀疏度量、层级结构、调和理论）
- 第6-15章：核心参数调优方法（学习率、正则化、批量大小、权重初始化、早停策略）
- 第16-22章：高级调优技术（贝叶斯优化、进化算法、多目标调优、自适应权重）
- 第23-27章：工程化与工具链（稀疏诊断、可视化、自动化流水线、A/B测试框架）
- 第28-30章：行业案例与最佳实践（零售、供应链、能源）
学习建议：建议按顺序学习，每章配套代码示例可在课程仓库中找到。对于有经验的从业者，可直接从第6章开始，但建议先阅读第1-5章的概念定义，避免术语混淆。