本文提出了基于随机化的方法来拓展符合推理的应用，使其能适用于时间序列数据，并通过引入分块结构来考虑潜在的串行相关性。当数据是独立同分布或更普遍地可交换时，该方法与传统的符合推理方法具有相同的无需模型的有效性；当数据不可交换时，如常见的时间序列数据，该方法在对符合程度得分的弱假设下也具有近似的有效性。
Feb, 2018
研究在线情况下的不确定性量化问题，提出新的自适应后悔最小化算法用于在线共形预测，证明了该方法实现了近似最优的自适应后悔和适当的预测覆盖，同时在时间序列预测和图像分类等实际任务上对现有方法具有明显的优势。
Feb, 2023
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
提出了基于优化的方法，将预测误差参数化处理以减小保守性，扩展了应用Conformal prediction算法于使用学习器的时间序列预测模型的应用场景，并且在行人轨迹预测方面证明了其有效性。
Apr, 2023
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
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
提出了一种名为MultiDimSPCI的顺序CP方法，其基于多元响应构建预测区域，特别适用于非可交换的多元时间序列，实验证明MultiDimSPCI在广泛的多元时间序列上保持有效覆盖，并产生比CP和非CP基线更小的预测区域。
Mar, 2024
应用机器学习算法构建预测区间是一个具有挑战性的问题，特别是在时间序列上。本研究实现了Wolf和Wunderli的方法来构建联合预测区间，并与其他方法进行比较。该方法基于自助法，并应用于不同的数据集和预测器。研究结果显示，强预测器（如神经网络）使得预测区间变窄，在预测时段和显著性水平降低时，预测区间变宽，并且使用联合边际方法会导致信息丢失。
May, 2024
利用Transformer架构的符合预测方法通过捕捉长期记忆和长程依赖，以Transformer解码器作为条件分位数估计器来预测预测残差的分位数，从而估计预测区间，并通过综合实验证明该方法在模拟和真实数据上相较于现有的符合预测方法具有更好的性能。
Jun, 2024
本文提出了一种新颖的使用具有时间序列分解的符合预测时间序列预测方法，在每个分量上应用特定的符合算法，然后合并所得预测区间，以适应不同分量之间的不同可交换性情况。该分解方法在合成和现实数据上进行了详细讨论和经验评估，发现该方法对结构良好的时间序列提供了有希望的结果，但在处理较复杂数据时，受到分解步骤等因素的限制。