用于非平稳单变量时间序列多步概率预测的复合分位傅里叶神经网络

单变量时间序列的点预测是一个具有广泛研究的挑战性问题。然而，时间序列的非参数概率预测，例如以分位数或预测区间的形式，是更具挑战性的问题。为拓展可能的预测范式，我们设计并探索了一种此前未应用于概率预测的基于外推的方法。我们提出一种新颖的分位傅里叶神经网络，用于单变量时间序列的非参数概率预测。多步预测以复合分位数的形式给出，仅以时间作为模型的唯一输入。这实质上是应用于预测的一种基于外推的非线性分位回归。我们在八个具有多种周期与非周期模式的真实世界数据集上进行了实验。九种朴素与先进的方法被用作基准，包括分位回归神经网络、支持向量分位回归、SARIMA和指数平滑。所得实证结果验证了所提方法在提供高质量且准确的概率预测方面的有效性。