通过核求积修正概率时间序列预测评估的缺陷
机器学习
2025-07-25 v2 机器学习
摘要
尽管概率时间序列预测模型具有重要意义，但其评估指标通常涉及难以处理的积分。最广泛使用的指标连续等级概率分数（CRPS）是一个严格适当的评分函数；然而，其计算需要近似。我们发现流行的 CRPS 估计器——特别是广泛使用的 GluonTS 库中实现的基于分位数的估计器和概率加权矩近似——都表现出固有的估计偏差。这些偏差导致粗略的近似，当 CRPS 值接近时会导致预测模型性能排序不当。为解决此问题，引入了一种核求积方法，利用无偏 CRPS 估计器并采用求积构造实现可扩展计算。从经验上看，该方法始终优于两种广泛使用的 CRPS 估计器。
引用
@article{arxiv.2503.06079,
title = {Fixing the Pitfalls of Probabilistic Time-Series Forecasting Evaluation by Kernel Quadrature},
author = {Masaki Adachi and Masahiro Fujisawa and Michael A Osborne},
journal= {arXiv preprint arXiv:2503.06079},
year = {2025}
}
备注
11 pages, 6 figures