1. 课程导论
在时间序列预测与供应链决策的交汇处，层级预测（Hierarchical Forecasting）与因果推断（Causal Inference）的融合正成为前沿研究方向。传统层级预测方法（如最小追踪法、最优组合法）主要依赖统计一致性约束，却忽略了底层驱动因素之间的因果结构；而因果推断虽能识别变量间的干预效应，却难以直接适配多粒度、多层次的预测调和框架。本课程旨在弥合这一鸿沟，提出因果特征提取与预测调和的联合优化范式。
核心洞察： 层级预测中的“调和”不仅是数值一致性，更是因果结构在不同聚合层级上的传递与约束。联合优化意味着特征选择与调和系数估计不再分步进行，而是在一个端到端的损失函数中协同更新。
1.1 层级预测与因果推断的交叉领域
层级预测要求底层（如SKU-门店级）预测之和等于高层（如品类-区域级）预测，而因果推断则关注变量间的结构性关系。两者的交叉体现在三个关键维度：
| 维度 | 层级预测视角 | 因果推断视角 | 交叉价值 |
|---|---|---|---|
| 特征选择 | 基于统计显著性筛选预测因子 | 基于因果图识别混淆变量与工具变量 | 剔除伪相关特征，提升泛化能力 |
| 结构约束 | 求和一致性（Sum-to-Constraints） | 因果马尔可夫边界（Causal Markov Boundary） | 在调和过程中保留因果传递路径 |
| 误差传播 | 底层误差向上聚合放大 | 干预效应在层级间的异质性 | 因果结构可解释误差传播方向 |
1.2 联合优化的动机与挑战
传统两阶段方法（先特征提取、后预测调和）存在根本性缺陷：特征提取阶段忽略调和约束，导致所选特征在调和后反而引入系统性偏差。联合优化旨在同时学习因果特征表示与调和权重矩阵，其动机与挑战如下：
核心动机
- 消除偏差累积： 分步优化中，特征选择误差会向调和阶段传递并放大；联合优化通过共享梯度阻断偏差传播。
- 提升样本效率： 层级数据通常底层稀疏、高层密集，联合优化可利用高层信息指导底层特征学习，缓解数据稀疏问题。
- 增强可解释性： 因果特征天然具有语义可解释性，联合优化输出的调和系数可直接对应因果效应强度。
主要挑战
| 挑战类别 | 具体描述 | 影响程度 |
|---|---|---|
| 优化复杂性 | 因果特征选择（离散/稀疏）与调和矩阵（连续/稠密）的混合优化非凸且非光滑 | 高 |
| 因果识别性 | 层级聚合可能破坏底层因果图的马尔可夫性质，导致因果效应不可识别 | 高 |
| 计算可扩展性 | 大规模层级（如万级SKU）下，联合优化需同时处理因果图学习和调和矩阵求逆 | 中高 |
| 评估指标 | 传统预测误差指标（MAE/RMSE）无法衡量因果结构保留程度 | 中 |
关键警示： 联合优化并非万能。当层级结构深度超过3层且底层序列长度小于50时，因果图学习可能产生虚假边，此时建议采用“部分联合”策略——仅在顶层和中间层进行因果约束，底层保留传统调和。
1.3 课程整体框架与学习目标
本课程共30章，分为四大模块，采用“理论-算法-实践”螺旋上升结构：
| 模块 | 章节范围 | 核心内容 | 学习产出 |
|---|---|---|---|
| 基础篇 | 第1-8章 | 层级预测基础、因果推断入门、交叉领域形式化定义 | 掌握问题建模与评估体系 |
| 方法篇 | 第9-18章 | 因果特征提取算法、调和矩阵学习、联合优化求解器 | 能独立实现核心算法 |
| 实践篇 | 第19-26章 | 零售供应链、能源负荷、金融风控三大案例 | 具备跨领域迁移能力 |
| 前沿篇 | 第27-30章 | 因果表示学习、元学习调和、开放问题 | 能开展前沿研究 |
学习目标（按Bloom认知层次）
- 记忆与理解： 复述层级预测的调和公式、因果推断的do-演算规则，解释两者交叉的必要性。
- 应用与分析： 在给定层级数据集上，识别因果特征与混淆变量，诊断调和误差的因果来源。
- 评价与创造： 针对特定业务场景，设计联合优化损失函数，评估因果一致性指标，并提出改进方案。
1.4 预备知识与工具栈
建议学习者具备以下基础：
- 数学基础： 概率图模型、矩阵微积分、凸优化基础
- 编程基础： Python 3.8+，熟悉 NumPy、Pandas、PyTorch 或 JAX
- 领域知识： 基础时间序列预测（ARIMA、Prophet）或供应链概念
学习建议： 每章结束后，尝试在
hierarchical_causal 开源数据集（课程提供）上复现核心实验。重点关注因果特征与调和矩阵的联合收敛曲线，这是诊断模型是否真正“联合优化”的关键指标。