基于共形季节池的训练-free 概率时间序列预测

我们提出共形季节池 (Conformal Seasonal Pools, CSP)，这是一种无需训练的概率时间序列预测方法，通过混合相同季节的经验抽样与围绕季节性朴素预测的带符号残差抽样来实现。我们在原始 DeepNPTS 评估所用的六个时间序列数据集上进行了经过审计的滚动来源基准测试（包括电力、汇率、太阳能、出租车、交通和维基百科），CSP-Adaptive 在所有报告的指标上均显著优于 DeepNPTS——CRPS（per-window 配对 Wilcoxon 检验 $p \approx 4 \times 10^{-10}$）、归一化分位数损失（$p \approx 7 \times 10^{-10}$）和经验 95% 覆盖率（$p \approx 8 \times 10^{-45}$，平均 0.89 vs 0.66）——同时在 CPU 上运行速度快过 500 倍。覆盖率是最具决策关键性的指标：一个名为 0.95 的置信区间若仅在约 66% 的情况下包含真实值，将无法通过基本校准要求，亦不会在安全或决策关键场景中存活。在最差 10% 的窗口中，DeepNPTS 的预测区间在所有 H 步预测范围内都未覆盖任何真实值——整个多步轨迹在每个步骤同时均未命中真实值。这在医疗、金融、能源运营和自主系统等安全和决策关键应用中构成严重风险：系统atically 错误的预测区间会导致患者误诊、监管资本损失、电网失衡以及安全案例违规。CSP 完全基于无学习参数和无训练实现上述所有目标。我们认为，训练-free 共形抽样器应为评估有监督非参数预测方法时所必需的基线。