再探组合预测中的预测修剪：鲁棒性、准确性与多样性
统计方法学
2024-06-17 v2 应用统计
统计计算
摘要
预测组合因能缓解识别单一“最佳”预测所带来的不确定性，被广泛认为是优于预测选择的策略。然而，复杂组合常在经验上被简单平均所超越，这通常归因于权重估计误差。当预测池包含大量个体预测时，该问题更为突出。本文提出一种新的预测修剪算法，从原始预测池中识别用于预测组合任务的最优子集。与现有方法不同，我们所提算法同时考虑预测池的鲁棒性、准确性和多样性问题，而非将各问题孤立。我们还开发了五种预测修剪算法作为基准，包括一种无修剪算法和几种将三个关键问题各自孤立的修剪算法。实验结果表明，我们的算法在总体上的点预测与预测区间方面均取得更优的预测表现。不过，我们认为在预测修剪中并非总需处理多样性。基于结果，我们就目标序列的预测修剪算法选择提供了一些实用指南。
引用
@article{arxiv.2208.00139,
title = {Another look at forecast trimming for combinations: robustness, accuracy and diversity},
author = {Xiaoqian Wang and Yanfei Kang and Feng Li},
journal= {arXiv preprint arXiv:2208.00139},
year = {2024}
}