tsbootstrap: Distribution-Free Uncertainty Quantification and Conformal Prediction for Time Series
tsbootstrap：时间序列的分布无关不确定性量化与保形预测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：摘要直接讨论依赖时间序列的重抽样、区间覆盖及自适应保形预测，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…
关注这篇论文的作者
tsbootstrap：时间序列的分布无关不确定性量化与保形预测
- 研究问题
- 时间序列依赖破坏独立同分布方法所需条件时，如何在同一软件接口中整合重抽样、置信区间和自适应保形预测，并控制计算与内存成本？
- 方法与思路
- 作者以统一类型化接口提供区块、残差、筛法和 wild 重抽样及多种保形校准器，并用编译后端和流式归约减少计算开销。
- 材料陈述的贡献
- 摘要称依赖感知方法减少了覆盖不足，筛法在所测短记忆线性情形中最接近名义覆盖；固定统计量路径的后端更快，额外内存也得到控制。
- 阅读关注点
- 应核对各方法的依赖假设与覆盖目标、控制实验设定、速度比较的共同计算路径，以及流式内存结论和软件版本的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要中的覆盖与速度比较限于所述实验，题名中的分布无关不意味着任意依赖下都有覆盖保证。
原文摘要
Finance, sensing, and demand streams violate the exchangeability that IID conformal prediction and the IID bootstrap assume, and existing libraries implement either a general resampling engine or conformal calibration without the other. tsbootstrap provides block, residual, sieve, and wild resampling, classical bootstrap confidence intervals, and adaptive conformal calibrators (EnbPI, ACI, NexCP, AgACI) through a single typed API in which a specification object selects each method. In a controlled coverage study the IID bootstrap undercovers sharply under dependence; dependence-aware methods reduce the coverage deficit, the sieve nearest to nominal under short-memory linear dependence. On the shared fixed-statistic path a compiled backend runs several times faster than arch, and a streaming reduce avoids materializing the $O(Bn)$ replicate tensor, limiting peak extra memory to $O(B)$ for the statistic array. The software is MIT licensed (v0.6.1).