Online conformal inference for multi-step time series forecasting
多步时间序列预测的在线共形推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列多步预测、误差自相关和预测区间覆盖。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多步时间序列预测的在线共形推断
- 研究问题
- 多步预测误差具有时间依赖时，如何构造适应变化条件的预测区间，并在不同预测期限下保持有意义的覆盖保证？
- 方法与思路
- 作者分析非平稳自回归过程中的多步误差相关结构，提出纳入误差自相关的 AcMCP，并将若干单步共形方法扩展至多步预测。
- 材料陈述的贡献
- 摘要称，方法保证渐近边际覆盖，有限样本覆盖误差上界随预测期限增加；实证评估显示区间可适应变化并接近局部目标覆盖率。
- 阅读关注点
- 应核对误差相关至滞后 h−1 的结论条件、在线更新方式、有限样本误差界，以及局部窗口表现与边际覆盖保证之间的区别。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未给出完整过程条件；渐近边际覆盖和局部实证表现不等于有限样本条件覆盖。
原文摘要
We consider the problem of constructing distribution-free prediction intervals for multi-step time series forecasting, with a focus on the temporal dependencies inherent in multi-step forecast errors. We establish that the optimal $h$-step-ahead forecast errors exhibit serial correlation up to lag $(h-1)$ under a general non-stationary autoregressive data generating process. To leverage these properties, we propose the Autocorrelated Multi-step Conformal Prediction (AcMCP) method, which effectively incorporates autocorrelations in multi-step forecast errors, resulting in more statistically efficient prediction intervals. This method guarantees asymptotic marginal coverage for multi-step prediction intervals, though we note that, for finite samples, the coverage error admits an upper bound that increases with the forecasting horizon. Additionally, we extend several easy-to-implement conformal prediction methods, originally designed for single-step forecasting, to accommodate multi-step scenarios. Through empirical evaluations, including simulations and applications to data, we demonstrate that AcMCP achieves coverage that closely aligns with the target within local windows, while providing adaptive prediction intervals that effectively respond to varying conditions.