Evaluación de algoritmos probabilísticos:

Se ha demostrado que la previsión jerárquica de series temporales mejora las previsiones típicas en la literatura de previsión puntual. Sin embargo, hay poca información sobre estos resultados en la configuración de previsiones probabilísticas. Reconociendo la importancia de las previsiones probabilísticas como predicción de valores futuros y como medida de incertidumbre, evaluamos dos algoritmos de última generación para la previsión probabilística jerárquica. En un marco gaussiano, comprobamos que se mantienen los mismos resultados de la previsión puntual, mostrando mejoras sobre las previsiones base mediante métodos de conciliación, siendo la conciliación MinT (Shrink) la mejor en general. Sin embargo, el marco no paramétrico muestra un comportamiento diferente, produciendo peores previsiones en general y menos margen de mejora mediante la conciliación, al menos con nuestro proceso de generación de datos seleccionado.