基于核的最优加权保形时间序列预测
机器学习
2026-02-12 v4 统计理论
机器学习
统计理论
摘要
本文提出了一种新颖的时间序列保形预测方法，称为基于核的最优加权保形预测区间（KOWCPI）。具体而言，KOWCPI 采用经典的重新加权 Nadaraya-Watson（RNW）估计器对相关数据进行分位数回归，并学习最优的数据自适应权重。在理论上，我们解决了在非一致性分数的强混合条件下，为不可交换数据建立条件覆盖保证的挑战。我们在真实和合成时间序列数据上展示了 KOWCPI 相对于 SOTA 方法的优越性能，其中 KOWCPI 在不损失覆盖率的情况下实现了更窄的置信区间。
引用
@article{arxiv.2405.16828,
title = {Kernel-based Optimally Weighted Conformal Time-Series Prediction},
author = {Jonghyeok Lee and Chen Xu and Yao Xie},
journal= {arXiv preprint arXiv:2405.16828},
year = {2026}
}