利用点预测器增强预测区间的可靠性：异方差分位回归和宽度自适应符合推论

Jun, 2024

利用点预测器增强预测区间的可靠性：异方差分位回归和宽度自适应符合推论

Enhancing reliability in prediction intervals using point forecasters: Heteroscedastic Quantile Regression and Width-Adaptive Conformal Inference

PDF

Carlos Sebastián, Carlos E. González-Guillén, Jesús Juan

TL;DR通过提出 HQR 模型和 WACI 方法，我们在电力价格预测等复杂时间序列预测场景中评估预测间隔的有效性、效率以及关键特征的满足，克服了仅依靠点预测器构建预测间隔的复杂挑战。

Abstract

Building prediction intervals for time series forecasting problems presents a complex challenge, particularly when relying solely on point predictors, a common scenario for practitioners in the industry. While re

prediction intervals time series forecasting heteroscedastic quantile regression width-adaptive conformal inference electricity price forecasting

发现论文，激发创造

基于保序化的分位数回归

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

放松的分位数回归：非对称噪声的预测区间

在这项研究中，我们提出了一种名为放宽量位回归（RQR）的方法，作为量位回归的替代方法，以构建具有提升的可取特性（例如平均宽度）并保留量位回归的重要覆盖保证的区间。

Jun, 2024

分布式适应性预测

本研究提出了一种基于条件分布模型（如分位数和分布回归）构建有条件有效的预测区间的健壮方法，可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。

Sep, 2019

柿泥化的无条件分位数回归

本研究提出了将 CP 与 QR 结合的预测推理程序，通过对输入协变量作回归来实现对分位函数的预测，借此推出具有本地经验保证的自适应预测间隔，并且证明了与现有方法相比具有相似的效率。

Apr, 2023

异方差整体回归

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

快速自适应预测区间的回归树

提供一种新的方法，用于校准具有局部覆盖保证的回归问题的预测区间，该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分，适用于各种合规得分和预测设置，且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。

Feb, 2024

使用条件直方图的等形预测

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

一些共形分位数回归方法的比较

本文通过比较两种新提出的置信推断和分位数回归思想相结合的方法，并考虑在样本交换性下如何产生局部自适应和边缘有效的预测区间，证明当一些额外的假定满足时，这两种方法在大样本下是渐进有效的，同时在模拟和真实数据中进行实证比较，结果表明相对于 Kivaranovic 等人 (2019) 的方法，Romano 等人 (2019) 的方法在有限样本中通常产生更紧的预测区间，并最后讨论了如何通过调整用于训练和适应性的相对比例来调整这些程序。

Sep, 2019

非参概率风力预测的受约束支持向量分位回归的实证分析

本文通过支持向量机和非线性分位数回归结合非交叉约束的方法，进行了风能非参数概率预测的数值研究，并使用 Global Energy Forecasting Competition 2014 的公开数据进行了案例研究，结果表明该方法能够更准确地进行预测，避免交叉分位数预测的问题。

Mar, 2018

深度学习的高质量预测区间：一种无分布、集成方法

本论文研究使用神经网络生成预测区间 (PIs) 以量化回归任务中的不确定性。通过导出一个无需分布假设的损失函数，该方法能够生成高质量的 PIs，并通过集成学习考虑了模型不确定性，实验结果表明该方法优于目前最先进的不确定性量化方法，平均 PI 宽度减少了 10% 以上。

Feb, 2018