Efficient conformal prediction intervals for time series: Online PID-Expert aggregation
高效时间序列保形预测区间：在线 PID 专家聚合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的在线预测区间、覆盖率控制和预测效率。
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…
高效时间序列保形预测区间：在线 PID 专家聚合
- 研究问题
- 给定点预测器，如何聚合覆盖率相近但区间宽度不同的 PID 校准器，在时间序列预测中改善覆盖与宽度的权衡？
- 方法与思路
- 作者在线聚合固定校准器库的阈值，用标准化宽度与未覆盖损失更新权重，并以共同乘子调整未覆盖惩罚。
- 材料陈述的贡献
- 摘要称给出局部遗憾界及时间平均未覆盖率上界；模拟和应用中，区间平均更窄且总体经验覆盖接近名义水平。
- 阅读关注点
- 应核对稳定性条件、乘子序列与遗憾界的关系，以及总体覆盖保证和分布突变后的局部覆盖表现之间的区别。
- 阅读边界
- 这是 arXiv v1 预印本，不能据此声称已同行评审或期刊接收；摘要所述总体覆盖控制不能直接解释为条件或逐时点覆盖保证。
原文摘要
For a given point forecaster, proportional-integral-derivative (PID) calibration configurations can attain similar overall coverage yet produce different interval widths. We introduce PID-Expert, an online aggregation method for improving the efficiency of conformal prediction intervals for time series. PID-Expert combines thresholds from a fixed library of PID calibrators, each evolving under its own coverage feedback. Aggregation weights depend on normalized interval width and miscoverage, while a shared multiplier adapts the miscoverage penalty using feedback from the reported interval. We establish local regret bounds for weighted expert losses under the realized multiplier sequence and, separately, a pathwise upper bound on time-averaged aggregate miscoverage, with control in expectation and almost surely under a stability condition. Across four simulation settings and two real-data applications, PID-Expert produces narrower mean intervals than a prespecified Conformal PID benchmark while keeping overall empirical coverage close to the nominal level. Compared with expert selection and equal averaging, aggregation generally provides a more balanced coverage--width trade-off across forecasting settings. Rolling analyses further reveal local coverage--efficiency trade-offs, particularly following abrupt distributional shifts. Overall, PID-Expert reduces reliance on a single PID configuration while improving interval efficiency.