本文研究了如何使用规范预测方法构建自适应预测区间，通过使用归一化和蒙德里安规范预测等方法，在理论和实验结果中进行系统性调查。

Sep, 2023

本文使用符合预测技术计算功能数据的同时预测带和聚类树。我们使用多个新颖的一致性分数来简化计算，并且在不假设任何分布的情况下，为基础随机过程提供了预测集，并提供信息指向潜在进程的高密度区域。

Feb, 2013

本文综述了关于符合预测的基本思想和新发展 —— 一种革新的无分布、非参数预测方法，基于最少的假设，能够以一种非常简单的方式得出在统计意义上的预测集，本文详细讨论了符合预测的理论基础，然后列举了原始思想的更高级的发展和适应方法。

May, 2020

该研究提出了一种新的基于时间序列的投影置信预测方法 HopCPT，它不仅解决了时间序列的时间结构问题，而且利用了时间结构，实验表明，该方法在多个真实数据集中的表现优于现有的基于时间序列的投影置信预测方法。

Mar, 2023

本文介绍了一种新的预测方法，将 Conformal prediction 和经典的 quantile regression 相结合，使其完全适应异方差性，并且能够在不做分布假设的情况下，建立具有有效覆盖率的预测区间，相比其他 conformal 方法，本文提出的方法具有更高的效率和更短的预测区间。

May, 2019

我们研究了时间序列预测的不确定性量化问题，旨在提供易于使用且具有形式保证的算法。我们提出的算法基于符合性预测和控制理论的思想，能够在在线环境中前瞻性地模拟符合性得分，并能适应由季节性、趋势性和一般分布变化引起的系统误差。我们的理论简化和加强了现有的在线符合性预测分析。在美国州级 COVID-19 死亡人数提前四周预测的实验中，我们与官方 CDC 通讯中使用的集合预测方法相比，覆盖范围有所改善。我们还使用自回归、Theta、Prophet 和 Transformer 模型对电力需求、市场回报和温度进行了实验预测。我们提供了一个可扩展的代码库，用于测试我们的方法以及集成新算法、数据集和预测规则。

Jul, 2023

本文开发了一种符合性方法，用于计算自适应于倾斜数据的非参数回归预测区间，利用黑盒机器学习算法用直方图估计结果的条件分布，将它们转化为具有近似条件覆盖的最短预测区间，数值实验表明，与最先进的相关方法相比，这些结果在有限样本情况下可以得到较好的表现，并且如果黑盒模型一致，则渐近达到条件覆盖和最优长度。

May, 2021

我们通过对未知随机动力系统的单个时间相关数据轨迹进行风险控制预测集（RCPS）性能的研究，使用封锁技术展示了数据遵循渐进稳定性和收缩性动态时，RCPS 获得类似于独立同分布情况下的性能保证；接着，我们使用解耦技术来描述 RCPS 性能保证在数据生成过程偏离稳定性和收缩性时的优雅退化；最后，我们讨论这些工具如何用于统一在线和离线形式预测算法的分析，目前这些算法的分析工具差异较大。

Jun, 2024

本文提出离散化的符合预测算法，它们可以保证在计算成本和预测准确性之间提供平衡，适用于在回归问题中构建可以覆盖目标值的预测区间。

Sep, 2017

提出了一种名为局部一致性预测的新方法，它可以仅使用新测试样本周围的局部区域来构建置信区间，旨在将数据互换性打破为测试样本赋予特殊角色的情况下，推广了一致性预测方法，并证明了其假设无关与有限样本覆盖保证，并在模拟中比较了局部一致性预测和一致性预测的行为。

Aug, 2019