4. 调和权重概念
在层级预测中，不同层级（如国家、地区、门店）的预测结果往往存在不一致性。调和权重（Reconciliation Weights）正是用于在保持层级一致性的前提下，决定各层级预测对最终调和结果贡献度的核心参数。本章从数学定义出发，系统阐述权重的本质、作用及其对预测精度的影响机制。
4.1 调和权重的数学定义
设层级结构共有 H 个层级，总预测节点数为 N。令 ŷ 为所有节点的初始预测向量（维度 N×1），S 为层级聚合矩阵（N×M，M 为最底层节点数），β 为调和权重向量（维度 N×1）。则调和后的预测 ỹ 可表示为：
ỹ = S (Sᵀ W S)⁻¹ Sᵀ W ŷ其中 W 为对角权重矩阵，其对角线元素即为各节点的调和权重 βᵢ。更直观的加权平均形式为：
ỹₖ = Σᵢ wᵢ · ŷᵢ (满足 Σᵢ wᵢ = 1)其中 wᵢ 为归一化后的调和权重，ỹₖ 为第 k 个节点的调和值。权重越大，该节点在调和过程中的影响力越强。
关键理解：调和权重并非简单的“重要性系数”，而是通过最小化加权误差协方差矩阵的迹来求解的最优权重。其核心目标是使调和后的预测在统计上达到“最小方差无偏”状态。
4.2 权重在层级预测中的作用
调和权重在层级预测中承担三大核心作用，下表总结了各作用的具体表现与数学含义：
| 作用维度 | 具体表现 | 数学含义 |
|---|---|---|
| 一致性约束 | 确保父节点预测值等于子节点预测值之和 | Sᵀ ỹ = 0（零和约束） |
| 误差分配 | 将预测误差按权重分配到各层级 | min tr(W Σ Wᵀ) |
| 信息融合 | 融合不同层级的预测信息，减少信息损失 | ỹ = argmin (ŷ - y)ᵀ W (ŷ - y) |
具体而言，权重的作用体现在以下流程中：
- 误差协方差估计：首先计算各节点预测误差的协方差矩阵 Σ。
- 权重求解：通过最小化加权误差协方差矩阵的迹，得到最优权重 W = Σ⁻¹。
- 调和投影：将初始预测投影到满足层级一致性的子空间上。
- 精度加权：预测精度高的节点获得更高权重，精度低的节点权重被压低。
实践建议：当数据稀疏导致某些节点预测方差极大时，应赋予其较低权重，避免噪声传播到其他层级。反之，数据密集、预测稳定的节点应获得更高权重。
4.3 权重与预测精度的关系
调和权重与预测精度之间存在明确的量化关系。以下 SVG 图展示了权重分配对整体预测误差的影响机制：
从图中可以看出，权重与精度的关系遵循以下定量规律：
- 正相关关系：节点预测精度越高（方差越小），其调和权重越大，对最终调和结果的影响越显著。
- 误差传播抑制：低精度节点被赋予低权重，有效抑制了噪声向其他层级的传播。
- 整体精度提升：最优权重分配可使调和后的整体预测误差降低 15%~30%（视数据稀疏程度而定）。
常见误区：不要将调和权重等同于“业务重要性”。业务上重要的节点（如核心产品线）若预测精度极低，仍应赋予低权重，否则会破坏整体层级一致性。权重只反映统计精度，不反映业务优先级。
4.4 权重学习与数据稀疏的交互
当数据稀疏时，权重学习面临特殊挑战。下表总结了不同稀疏程度下的权重行为特征：
| 数据稀疏程度 | 权重分布特征 | 对预测精度的影响 | 调优策略 |
|---|---|---|---|
| 低稀疏（数据充足） | 权重分布均匀，方差小 | 调和后精度提升显著 | 使用标准最小二乘权重 |
| 中等稀疏 | 部分节点权重极端化 | 精度提升受限，需正则化 | 引入 L2 正则化权重 |
| 高稀疏（数据极少） | 权重几乎集中在少数节点 | 调和效果退化，可能劣于单层预测 | 使用先验权重或贝叶斯方法 |
在实际调优中，建议通过交叉验证选择权重学习策略：当数据稀疏导致协方差矩阵奇异时，优先使用收缩估计（Shrinkage Estimator）替代样本协方差，以保证权重求解的数值稳定性。