3. 层级结构概述：树状/图状结构、一致性约束与聚合分解关系
层级预测的核心在于利用数据内在的层次关系来提升预测精度与可解释性。本章将系统阐述层级结构的两种基本形态——树状与图状，并深入分析维持层级一致性的关键约束，以及聚合与分解的数学关系。理解这些基础概念是后续进行数据稀疏处理与调和权重学习的前提。
3.1 层级结构的两种基本形态
根据节点间父子关系的严格程度，层级结构主要分为树状结构与图状结构。两者的核心区别在于：树状结构中每个子节点有且仅有一个父节点，而图状结构允许子节点拥有多个父节点，形成更复杂的依赖网络。
| 特征 | 树状结构 (Tree) | 图状结构 (DAG / Network) |
|---|---|---|
| 父子关系 | 严格一对一（单亲） | 多对多（多亲） |
| 环路 | 无环路 | 通常无环路（有向无环图 DAG） |
| 典型场景 | 产品品类、地理区域、组织架构 | 多标签分类、知识图谱、供应链网络 |
| 预测复杂度 | 较低，易于递归计算 | 较高，需处理交叉依赖 |
| 一致性约束 | 沿单一路径求和 | 沿多条路径加权求和 |
实践提示： 在零售需求预测中，地理层级（国家→省→市→区）通常采用树状结构；而在电商商品属性预测中，一件商品可能同时属于“电子产品”和“促销商品”两个父类，此时应使用图状结构建模。
3.2 层级一致性约束
层级一致性约束是保证预测结果在层级间逻辑自洽的核心规则。它要求底层节点的预测值经过聚合后，必须与上层节点的预测值相等或近似相等。违反该约束会导致预测结果在业务决策中产生矛盾。
一致性约束通常通过以下三种方式实现：
- 硬约束（Hard Constraint）： 在优化过程中直接强制底层预测之和等于顶层预测。适用于数据质量高、层级关系明确的场景。
- 软约束（Soft Constraint）： 在损失函数中添加惩罚项，鼓励预测值满足一致性，但不强制完全相等。适用于存在噪声或部分数据缺失的场景。
- 后处理调和（Post-hoc Reconciliation）： 先独立预测所有层级节点，再通过调和算法（如最小二乘调和）调整预测值，使其满足一致性。
常见陷阱： 在数据稀疏的底层节点上使用硬约束，容易导致过拟合或预测值被极端拉偏。建议在稀疏层级优先采用软约束或后处理调和策略。
3.3 聚合与分解关系
聚合与分解是层级预测中两个互逆的操作，构成了层级数据流动的基础。
- 聚合（Aggregation）： 从底层节点向上层节点汇总。常用方法包括求和、加权平均、最大值等。例如，将各门店的日销量求和得到区域总销量。
- 分解（Disaggregation）： 从上层节点向下层节点分配。常用方法包括按历史比例拆分、按外部权重分配、或通过机器学习模型预测分配系数。
在数学上，设底层节点预测向量为 y_b，聚合矩阵为 S，则顶层节点预测 y_t 满足：
y_t = S · y_b其中 S 矩阵的行对应上层节点，列对应底层节点，元素为 0 或 1（树状结构）或权重值（图状结构）。
下图展示了从底层节点到顶层节点的聚合过程，以及一致性约束如何作用于整个层级预测系统。
3.4 聚合矩阵与调和权重的关系
在层级预测中，聚合矩阵 S 不仅定义了层级间的映射关系，还直接决定了调和权重的计算方式。调和权重用于调整各底层节点的预测贡献，以最小化整体预测误差。
对于树状结构，S 矩阵是稀疏的 0-1 矩阵；对于图状结构，S 矩阵可能包含非整数权重，表示子节点对多个父节点的贡献比例。调和权重的学习目标通常是：
min_w || y_t - S · (w ⊙ y_b) ||²其中 w 为调和权重向量，⊙ 表示逐元素乘法。通过优化 w，可以在保持层级一致性的同时，降低稀疏数据带来的预测偏差。
关键洞察： 在数据稀疏的底层节点上，调和权重可以起到“收缩”作用——将不可靠的底层预测向更稳定的上层预测靠拢，从而提升整体预测鲁棒性。这正是后续章节将要深入探讨的核心技术。
3.5 本章小结
- 层级结构分为树状（单亲）和图状（多亲）两种形态，选择依据是业务场景中的父子关系严格程度。
- 一致性约束通过硬约束、软约束或后处理调和三种方式实现，是保证预测逻辑自洽的关键。
- 聚合与分解是层级数据流动的基本操作，由聚合矩阵
S数学化定义。 - 聚合矩阵的结构直接影响调和权重的学习方式，为后续处理数据稀疏问题奠定基础。