探究图结构多变量时间序列共形预测中的非可交换性
机器学习
2026-05-07 v1
摘要
图结构多变量时间序列的点预测是一个基本问题，但对此类预测进行严格的不确定性量化仍待深入探索。共形预测（CP）在可交换性假设下提供了具有可靠覆盖率保证的不确定性估计，该假设要求数据的联合分布在排列下保持不变。然而，在图结构时间序列中，固有的跨节点耦合可能违反可交换性条件，使得直接应用 CP 并不可靠。受谱图理论启发，此类耦合存在于全局趋势中并可由低频分量表征，而高频分量则近乎可交换。因此，我们提出了一种名为谱图条件可交换性（SGCE）的新概念，将可交换的高频分量条件化于低频分量，以保留全局趋势并在谱域中实现有效的 CP。基于 SGCE，我们进一步提出了基于小波变换的谱共形预测（SCALE）。SCALE 利用图小波分解低/高频分量，并通过在低频嵌入上的自适应门控对高频残差进行共形化。在真实交通数据集上的实验结果表明，SCALE 不仅实现了有效的覆盖率，而且在覆盖率-效率权衡上始终优于当前最先进的 CP 方法。
引用
@article{arxiv.2605.04957,
title = {Delving into Non-Exchangeability for Conformal Prediction in Graph-Structured Multivariate Time Series},
author = {Ruichao Guo and Xingyao Han and Luo Wenshui and Zhe Liu and Chen Gong and Hesheng Wang},
journal= {arXiv preprint arXiv:2605.04957},
year = {2026}
}