Kernel-based Optimally Weighted Conformal Time-Series Prediction
基于核方法的最优加权保形时间序列预测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：摘要明确针对依赖时间序列构造保形预测区间并研究覆盖性质。
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
基于核方法的最优加权保形时间序列预测
- 研究问题
- 对不满足可交换性的时间序列，如何构造具有条件覆盖保证的预测区间，并通过自适应加权改善区间宽度与覆盖的权衡？
- 方法与思路
- 作者提出 KOWCPI，将重加权 Nadaraya–Watson 方法用于依赖数据分位数回归，学习自适应权重并研究强混合条件下覆盖。
- 材料陈述的贡献
- 摘要称方法为非可交换数据建立条件覆盖保证，并在真实与模拟序列中得到较窄预测区间，同时维持所比较的覆盖表现。
- 阅读关注点
- 应核对非一致性分数的强混合要求、条件覆盖的精确定义，以及权重优化、带宽选择和理论保证是否为渐近结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未说明覆盖误差界和实验数值，不能认定任意依赖序列均有同样保证。
原文摘要
In this work, we present a novel conformal prediction method for time-series, which we call Kernel-based Optimally Weighted Conformal Prediction Intervals (KOWCPI). Specifically, KOWCPI adapts the classic Reweighted Nadaraya-Watson (RNW) estimator for quantile regression on dependent data and learns optimal data-adaptive weights. Theoretically, we tackle the challenge of establishing a conditional coverage guarantee for non-exchangeable data under strong mixing conditions on the non-conformity scores. We demonstrate the superior performance of KOWCPI on real and synthetic time-series data against state-of-the-art methods, where KOWCPI achieves narrower confidence intervals without losing coverage.