Sequential Predictive Conformal Inference for Time Series
时间序列的序贯预测共形推断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：摘要直接处理时间序列的非可交换性、残差时间依赖和序贯预测区间，对应时间序列与预测方向。
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…
时间序列的序贯预测共形推断
- 研究问题
- 面对不满足可交换性的序贯时间序列，如何利用残差的时间依赖构造预测区间，并在控制覆盖率的同时缩小区间宽度？
- 方法与思路
- 作者提出 SPCI，把区间构造转为未来非一致性分数的条件分位数预测，在给定点预测算法下自适应重新估计该分位数。
- 材料陈述的贡献
- 摘要称通过扩展分位数回归一致性分析得到渐近有效条件覆盖，并在模拟和真实数据中以目标经验覆盖率实现更窄区间。
- 阅读关注点
- 应核对条件覆盖针对的信息集、分位数估计一致性的条件，以及序贯更新方式、比较方法和覆盖率评价口径。
- 阅读边界
- 所给版本为 arXiv 预印本，不能确认同行评审或期刊接收；摘要所述覆盖保证是渐近的，未说明有限样本保证及区间缩减数值。
原文摘要
We present a new distribution-free conformal prediction algorithm for sequential data (e.g., time series), called the \textit{sequential predictive conformal inference} (\texttt{SPCI}). We specifically account for the nature that time series data are non-exchangeable, and thus many existing conformal prediction algorithms are not applicable. The main idea is to adaptively re-estimate the conditional quantile of non-conformity scores (e.g., prediction residuals), upon exploiting the temporal dependence among them. More precisely, we cast the problem of conformal prediction interval as predicting the quantile of a future residual, given a user-specified point prediction algorithm. Theoretically, we establish asymptotic valid conditional coverage upon extending consistency analyses in quantile regression. Using simulation and real-data experiments, we demonstrate a significant reduction in interval width of \texttt{SPCI} compared to other existing methods under the desired empirical coverage.