一家零售商预测销量时，门店、地区和全国团队可能各有一套数字，最后却加不拢。过去，团队通常分两步处理：先从多个预测中挑选或加权，再做“预测协调”——调整各层结果，让门店之和等于地区、地区之和等于全国。两套方法长期各自发展，也让模型选择和上下对账变成割裂的决策。
这篇论文把两件事放进同一框架。作者为每条最底层序列构造一组候选预测：既包括它自己的直接预测，也包括由上层总量及聚合约束反推的间接预测；随后给这些候选项分配权重，再向上加总。论文证明，这种做法与标准的无偏线性协调等价。更具体地说，如果用均方误差——对较大失误惩罚更重的指标——寻找最优权重，就会精确得到常用的 Minimum Trace（MinT）协调结果。
最值得注意的是，原本看似需要全局联动的 MinT，还能拆成每条底层序列各自的最优组合问题。换句话说，它不再只是一个难解释的整体校准，而可被理解为许多局部预测组合的集合。这为团队解释权重、加入惩罚项和扩展估计方法提供了统一入口；不过论文摘要只称实证表现具有竞争力，未披露具体提升幅度。