Conformal Prediction with Time-Series Data via Sequential Conformalized Density Regions
通过序贯保形密度区域进行时间序列保形预测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：摘要直接研究非交换时间序列的预测区域、覆盖率和预测集合构造，支持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
通过序贯保形密度区域进行时间序列保形预测
- 研究问题
- 面对不可交换的时间序列，如何构造具有渐近条件覆盖保证的预测集合，并允许集合由多个不相连区间组成以表达多峰预测？
- 方法与思路
- 作者从估计的条件最高密度预测区域出发，用分位数随机森林作保形调整，适应序列依赖并生成区间或不连通预测集合。
- 材料陈述的贡献
- 摘要称，在一定正则条件下实现渐近条件覆盖，且预测密度正确或分数自回归阶数正确任一成立时具有双重稳健性。
- 阅读关注点
- 应核对条件覆盖针对的信息集、双重稳健的精确条件、分数序列模型与阶数选择，以及模拟中的覆盖率和集合大小比较。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核验。摘要未列出完整正则条件或数值结果，渐近覆盖保证不能直接解释为任意有限样本保证。
原文摘要
We propose a new conformal prediction method for time-series data with a guaranteed asymptotic conditional coverage rate, Sequential Conformalized Density Regions (SCDR), which is flexible enough to produce both prediction intervals and disconnected prediction sets, signifying the emergence of bifurcations. Our approach uses existing estimated conditional highest density predictive regions to form initial predictive regions. We then use a quantile random forest conformal adjustment to provide guaranteed coverage while adaptively changing to take the non-exchangeable nature of time-series data into account. We show that the proposed method achieves the guaranteed coverage rate asymptotically under certain regularity conditions. In particular, the method is doubly robust -- it works if the predictive density model is correctly specified and/or if the scores follow a nonlinear autoregressive model with the correct order specified. Simulations reveal that the proposed method outperforms existing methods in terms of empirical coverage rates and set sizes. We illustrate the method using two real datasets, the Old Faithful geyser dataset and the Australian electricity usage dataset. Prediction sets formed using SCDR for the geyser eruption durations include both single intervals and unions of two intervals, whereas existing methods produce wider, less informative, single-interval prediction sets.