分层时间序列预测是一种用于预测结构化为分层树的数据集中的值的方法，其中聚合总数必须与其分解的分量对齐。例如，一家零售公司可能会跟踪国家层面的销售额，该销售额分为区域销售额，然后分为单个商店的总额。层次结构的每个级别（国家、地区、商店）必须生成在数学上一致的预测——商店级别的预测总和应与区域预测匹配，区域预测的总和应与国家总数匹配。这种结构确保各级决策者都能使用一致的数字。
挑战在于平衡跨层次结构级别的准确性。独立应用于每个级别的传统预测方法通常会产生不一致。例如，如果商店的销售额与其所在区域的总额分开预测，则它们的总和可能不对齐。三种常见的策略可以解决这个问题：自下而上、自上而下和中间向外。自下而上的预测聚合较低级别的预测（例如，将商店预测加总以获得区域总数）。自上而下从最高级别（例如，全国销售额）开始，并使用历史比例将其分配给较低级别。中间向外结合了两者，预测中间层（例如，区域）并向上和向下协调。更高级的方法使用优化技术来调整预测以确保一致性，或使用显式建模分层关系的机器学习模型。
实施分层预测需要处理结构和协调的工具。Python 中的 scikit-hts 或 R 中的 hts 等库提供了用于聚合和协调的内置方法。例如，开发人员可能会使用带有 ARIMA 模型的自下而上的方法来处理商店级别的数据，然后将它们加总到区域和国家总数。或者，诸如 Minimum Trace (MinT) 之类的协调算法可以优化预测，以在强制执行一致性的同时最大限度地减少误差。在与业务系统集成时，必须验证在更新期间是否保持层次结构约束（例如，父子求和规则）。使用 MAE 或 RMSE 等指标测试每个级别的准确性有助于识别模型性能不佳且需要调整的位置。分层预测在供应链、能源需求预测和财务预算中特别有用，在这些领域，数据自然地组织成层，并且对齐对于运营决策至关重要。