Conformal PID Control for Time Series Prediction
用于时间序列预测的共形 PID 控制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：摘要核心是在线时间序列预测的不确定性量化，并明确包含市场收益预测实验，对应预测、时间序列与收益预测。
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…
用于时间序列预测的共形 PID 控制
- 研究问题
- 如何为在线时间序列预测构造具有形式保证的不确定性量化方法，并适应季节性、趋势和分布变化引起的系统性预测误差？
- 方法与思路
- 作者结合共形预测与控制理论，在线前瞻建模共形分数并调整预测不确定性，在疫情死亡、电力需求、市场收益和温度预测中开展实验。
- 材料陈述的贡献
- 摘要称理论简化并加强已有在线共形分析；在美国各州四周后疫情死亡预测中，覆盖表现优于官方使用的集成预测器，并提供可扩展代码库。
- 阅读关注点
- 应核对覆盖保证的具体定义和适用条件、PID 各部分的更新规则、区间宽度与覆盖的权衡，以及分布变化实验和比较基准设置。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未给出覆盖保证类型或具体数值，单项覆盖改善不足以判断所有预测任务的表现。
原文摘要
We study the problem of uncertainty quantification for time series prediction, with the goal of providing easy-to-use algorithms with formal guarantees. The algorithms we present build upon ideas from conformal prediction and control theory, are able to prospectively model conformal scores in an online setting, and adapt to the presence of systematic errors due to seasonality, trends, and general distribution shifts. Our theory both simplifies and strengthens existing analyses in online conformal prediction. Experiments on 4-week-ahead forecasting of statewide COVID-19 death counts in the U.S. show an improvement in coverage over the ensemble forecaster used in official CDC communications. We also run experiments on predicting electricity demand, market returns, and temperature using autoregressive, Theta, Prophet, and Transformer models. We provide an extendable codebase for testing our methods and for the integration of new algorithms, data sets, and forecasting rules.