1. 课程导论：层级预测与因果推断的交叉点

1.1 为什么需要关注层级预测中的因果特征？

在时间序列预测中，层级结构无处不在：零售业按“国家→区域→门店→SKU”组织销售数据，供应链按“集团→工厂→产线→工单”管理库存，能源行业按“国家电网→省级→市级→变电站”调度负荷。传统层级预测方法（如 Bottom-Up、Top-Down、Optimal Reconciliation）主要解决预测一致性问题——即保证底层预测之和等于上层预测。然而，这些方法在特征工程层面存在一个根本性盲区：它们默认所有层级共享相同的特征空间，且特征与目标之间仅存在统计相关性，而非因果机制。

1.2 层级预测与因果推断的交叉点

两个领域的交叉并非简单的“在层级预测中加一个因果模块”，而是需要在三个层面深度融合：

交叉点的核心价值在于：因果特征提取为每个层级找到“如果改变X，Y会如何变化”的稳定关系，而预测调和则确保这些因果关系在层级聚合后仍然自洽。两者联合，才能实现“可解释、可干预、可一致”的工业级预测系统。

1.3 课程目标与学习路径

本课程旨在培养学员从理论到工程的完整能力，使学员能够独立设计并落地“因果特征提取 + 预测调和”的工业级系统。课程目标拆解为四个层级：

1. 认知层：理解层级预测中因果推断的必要性，掌握因果图、干预、反事实等核心概念在层级场景下的特殊含义。
2. 方法层：掌握因果特征提取的三大主流范式——结构因果模型（SCM）、潜在结果框架、工具变量法——并学会将其适配到层级数据中。
3. 工程层：构建可扩展的因果特征工程管线，实现与主流调和算法（OLS、WLS、MinT）的联合优化，处理大规模层级数据（百万级节点）。
4. 评估层：设计因果预测的评估体系，包括反事实验证、干预模拟、A/B测试框架，确保模型在真实业务中可落地。

1.4 工程落地的核心挑战

将因果推断与层级预测联合落地，并非简单的算法拼接，而是需要克服一系列工程与理论交织的难题。以下是实践中反复出现的五大核心挑战：

挑战一：因果结构在层级间的传递与冲突

底层节点的因果图在聚合到上层时，可能产生辛普森悖论——即底层为正相关，聚合后变为负相关。工程上需要设计层级因果一致性校验机制，自动检测并修正冲突。

挑战二：因果特征提取的计算开销

在百万级节点上运行因果发现算法（如PC算法、LiNGAM）的时间复杂度为O(n²)甚至O(n³)。工程上必须采用分治策略：先对层级进行聚类，在簇内运行因果发现，再通过调和约束跨簇传播。

挑战三：调和矩阵的因果可逆性

传统调和算法假设协方差矩阵可逆，但引入因果特征后，特征之间可能存在共线性或因果环，导致矩阵奇异。需要引入因果正则化项（如DAG约束）来保证数值稳定性。

挑战四：干预数据的稀缺性

因果推断依赖干预数据，但业务中自然发生的干预（如促销、断货）往往稀疏且非随机。工程上需要构建反事实生成器，利用层级结构进行数据增强，或采用离线策略优化从历史日志中提取干预样本。

挑战五：在线推理的延迟约束

因果特征提取通常涉及多步计算（因果图推理→效应估计→特征聚合），在实时预测场景下，端到端延迟必须控制在毫秒级。需要设计因果特征预计算与增量更新机制，将因果推理从在线路径剥离到离线批处理中。

1.5 课程适用人群与前置知识

• 目标学员：具备2年以上时间序列预测经验的算法工程师、数据科学家；正在构建或升级层级预测系统的技术负责人；对因果推断在工业界落地感兴趣的机器学习研究者。
• 前置要求：
  • 熟悉至少一种预测模型（ARIMA、Prophet、LightGBM、LSTM等）；
  • 了解基本因果推断概念（DAG、do-operator、混淆变量）；
  • 具备Python工程能力（Pandas、NumPy、Scikit-learn），了解Spark或Dask加分；
  • 对线性代数（矩阵求逆、特征分解）有基本掌握。