预测后的预测：时间序列的后处理漂移

时间序列预测长期以模型架构的突破为主导，近期进展由深度学习和混合统计技术推动。然而，随着预测模型在准确度上取得有限收益，一个关键且尚未充分探索的机会浮现：战略性地利用后处理。在本文中，我们解决了时间序列预测的最后一公里差距，即在不重新训练或修改已部署的骨干网络的情况下提升准确度和不确定性。我们提出了 $\delta$-Adapter，一种轻量级、无架构依赖的方式，以提升已部署的时间序列预测器，无需重新训练。$\delta$-Adapter 在两个界面学习微小且受限的模块：输入轻微调整（协变量的软编辑）和输出残差校正。我们提供了局部下降保证、$O(\delta)$漂移边界以及组合稳定性。同时，它可作为特征选择器，通过学习对输入稀疏、时隙感知的掩码，以选择重要特征，从而提升可解释性。此外，它还可用作分布校准器以衡量不确定性。因此，我们引入了分位数校准器（Quantile Calibrator）和保守校正器（Conformal Corrector），共同提供已校准、个性化的区间，具有有限样本覆盖。我们的实验在多样化的骨干网络和数据集上表明，$\delta$-Adapter 在准确度和校准方面均有 negligible 计算开销且无需接口变更的显著提升。