Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series
多元非平稳时间序列的自适应多尺度预测与门控局部共形预测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：摘要直接研究非平稳多元时间序列预测与区间，并明确采用高频商品金融预测基准，支持所选三个方向。
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…
多元非平稳时间序列的自适应多尺度预测与门控局部共形预测
- 研究问题
- 非平稳多元时间序列中，能否让点预测和区间校准共享自适应状态表示，从而随预测机制变化共同调整？
- 方法与思路
- 作者以学习门控组合不同预测期的时间专家，并利用跨序列稀疏迁移；按门控状态与时间新近性选择共形校准残差。
- 材料陈述的贡献
- 摘要称在稳定条件下获得近似局部覆盖；高频商品预测实验报告点预测改善、区间缩窄且经验覆盖接近名义水平。
- 阅读关注点
- 应核对稳定条件与近似局部覆盖的定义、局部残差选择和数据复用方式，以及非平稳评测、预测期与比较基线。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实。摘要未给出稳定条件和具体指标，不能将经验覆盖理解为任意非平稳下的保证。
原文摘要
We propose ABF-T-GLCP, a model-agnostic framework for forecasting and uncertainty quantification in nonstationary multivariate time series. The central idea is to learn an adaptive predictive state representation for point forecasting and reuse it for conformal calibration. The forecasting module combines horizon-specific temporal experts through a learned gate and refines predictions using sparse predictive transfer across related series. The uncertainty module, Gate-Localized Conformal Prediction (GLCP), uses the learned gate state, together with temporal recency, to select locally relevant calibration residuals, thereby coupling uncertainty calibration to the predictive regimes used by the forecasting model. This shared representation allows point forecasts and prediction intervals to adapt consistently under evolving temporal dynamics while retaining the model-agnostic nature of conformal prediction and yielding approximate local coverage under mild stability conditions. Experiments on a large-scale high-frequency commodity forecasting benchmark show consistent gains in point forecasting accuracy and substantially narrower prediction intervals with empirical coverage close to the nominal level. Additional results indicate that the framework extends beyond the motivating financial application.