在 R 中将不同的预测方法传递给分层时间序列预测？

我有一个分层时间序列，其底层序列都表现出间歇性需求。使用 Hyndman 的 HTS 包在层次结构内实现最佳组合似乎是有利的。使用 Kourentzes 的 MAPA 包进行间歇性需求的多重聚合预测似乎也是有利的。本质上，我想做类似的事情：

forecast(my_hts, method='comb', fmethod='MAPA')

然而，我不清楚是否/如何将两者结合起来，因为forecast.gts()只接受fmethod=c("ets", "arima", "rw").

有没有一种巧妙的方法可以将不同的预测方法传递给forecast.gts()无需撕掉代码？

举例说明我的意思：

library(hts)
library(MAPA)
set.seed(1)

#note intermittent demand of bottom level time series
x <- ts(rpois(365, lambda=0.05), frequency=365, start=2014)
y <- ts(rpois(365, lambda=0.07), frequency=365, start=2014)

#it's easy to make a MAPA forecast for the top-level time series
#but this isn't an optimal hierarchical forecast
mapasimple(x+y)

#it's also easy to make this a HTS and make an optimal hierarchical forecast
#but now I cannot use MAPA
z <- hts(data.frame(x,y)))
z_arima <- forecast(z, fmethod="arima")
z_rw <- forecast(z, fmethod="rw")
z_ets <- forecast(z, fmethod="ets")

#z_MAPA <- ?

我发帖是因为仔细查看了 hts 文档（在此处插入当之无愧的 RTFM）后，我认为我找到了一种使用combinef()hts 中的函数，可用于优化组合外部预测forecast.gts()环境。在接受答案之前，我会将其保留一段时间，以便其他人可以告诉我我是否错了。

fh <- 8

library(hts)
library(MAPA)
set.seed(1)

x <- ts(rpois(365, lambda=0.05), frequency=365, start=2014)
y <- ts(rpois(365, lambda=0.07), frequency=365, start=2014)

my_hts <- hts(data.frame(x,y))

ally <- aggts(my_hts)

allf <- matrix(NA, nrow = fh, ncol = ncol(ally))

for(i in 1:ncol(ally)){
    allf[,i] <- mapafor(ally[,i], 
                        mapaest(ally[,i], outplot=0), 
                        fh = fh, 
                        outplot=0)$outfor
}

allf <- ts(allf)

y.f <- combinef(allf, my_hts$nodes, weights=NULL, keep="bottom")

#here's what the non-reconciled, bottom-level MAPA forecasts look like
print(allf[1,1:2])

 Series 1   Series 2
1 0.1343304 0.06032574

#here's what the reconciled MAPA bottom-level forecasts look like
#notice that they're different
print(y.f[1,])

[1] 0.06030926 0.07402938