Bias-Corrected Adaptive Conformal Inference for Multi-Horizon Time Series Forecasting
多预测期时间序列预测的偏差校正自适应共形推断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：摘要直接研究分布变化下的时间序列多预测期预测区间及其在线校正方法。
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
多预测期时间序列预测的偏差校正自适应共形推断
- 研究问题
- 当结构状态变化后基础预测器出现持续偏差时，如何避免自适应共形推断仅靠对称扩大区间补偿，从而改善多预测期区间表现？
- 方法与思路
- 作者用在线指数加权移动平均估计预测偏差，校正非一致性分数并调整区间中心，同时设置自适应阈值以抑制噪声驱动的校正。
- 材料陈述的贡献
- 摘要报告在均值与复合分布变化下区间评分改善 13%—17%，平稳数据表现相当，并分析偏差估计误差对覆盖保证的影响。
- 阅读关注点
- 核对多预测期更新与校正流程、偏差抑制阈值的设置、有限样本覆盖界，以及不同变化情形下区间宽度与覆盖率的权衡。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核验；摘要未给出覆盖保证的完整条件，实验中的评分改善不能代表所有分布变化。
原文摘要
Adaptive Conformal Inference (ACI) provides distribution-free prediction intervals with asymptotic coverage guarantees for time series under distribution shift. However, ACI only adapts the quantile threshold -- it cannot shift the interval center. When a base forecaster develops persistent bias after a regime change, ACI compensates by widening intervals symmetrically, producing unnecessarily conservative bands. We propose Bias-Corrected ACI (BC-ACI), which augments standard ACI with an online exponentially weighted moving average (EWM) estimate of forecast bias. BC-ACI corrects nonconformity scores before quantile computation and re-centers prediction intervals, addressing the root cause of miscalibration rather than its symptom. An adaptive dead-zone threshold suppresses corrections when estimated bias is indistinguishable from noise, ensuring no degradation on well-calibrated data. In controlled experiments across 688 runs spanning two base models, four synthetic regimes, and three real datasets, BC-ACI reduces Winkler interval scores by 13--17% under mean and compound distribution shifts (Wilcoxon p < 0.001) while maintaining equivalent performance on stationary data (ratio 1.002x). We provide finite-sample analysis showing that coverage guarantees degrade gracefully with bias estimation error.