A Gentle Introduction to Conformal Time Series Forecasting
共形时间序列预测入门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：摘要直接研究时间依赖与分布变化下的时间序列预测区间及其覆盖率。
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…
共形时间序列预测入门
- 研究问题
- 时间依赖和分布变化破坏可交换性后，如何为时间序列构造可靠的共形预测区间？覆盖率、区间宽度与计算成本之间存在何种权衡？
- 方法与思路
- 作者综述非可交换数据的共形预测，讨论弱依赖下有限样本保证，并比较校准重加权、残差分布动态更新和目标覆盖率自适应调整。
- 材料陈述的贡献
- 摘要称，文章统一相关方法的理论与分类，推导弱依赖下分割共形预测的保证，并以模拟比较覆盖率、区间宽度和计算成本。
- 阅读关注点
- 应核对弱依赖条件、保证对应的覆盖对象及误差项，并检查分布变化情景、校准窗口、调参规则和模拟比较是否使用一致的信息集。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未给出保证的具体形式和模拟数值，不能认为任意依赖或分布变化下均有有效覆盖。
原文摘要
Conformal prediction is a powerful post-hoc framework for uncertainty quantification that provides distribution-free coverage guarantees. However, these guarantees crucially rely on the assumption of exchangeability. This assumption is fundamentally violated in time series data, where temporal dependence and distributional shifts are pervasive. As a result, classical split-conformal methods may yield prediction intervals that fail to maintain nominal validity. This review unifies recent advances in conformal forecasting methods specifically designed to address nonexchangeable data. We first present a theoretical foundation, deriving finite-sample guarantees for split-conformal prediction under mild weak-dependence conditions. We then survey and classify state-of-the-art approaches that mitigate serial dependence by reweighting calibration data, dynamically updating residual distributions, or adaptively tuning target coverage levels in real time. Finally, we present a comprehensive simulation study that compares these techniques in terms of empirical coverage, interval width, and computational cost, highlighting practical trade-offs and open research directions.