Conformal PID Control for Time Series Prediction

要約

私たちは、正式な保証を備えた使いやすいアルゴリズムを提供することを目的として、時系列予測の不確実性の定量化の問題を研究しています。
私たちが提示するアルゴリズムは、等角予測と制御理論からのアイデアに基づいて構築されており、オンライン設定で等角スコアを前向きにモデル化し、季節性、傾向、一般的な分布の変化による系統的誤差の存在に適応できます。
私たちの理論は、オンライン等角予測における既存の分析を簡素化し、強化します。
米国における州全体の新型コロナウイルス感染症による死亡者数の4週間先予測に関する実験では、CDCの公式通信で使用されるアンサンブル予測よりも対象範囲が向上していることが示された。
また、自己回帰モデル、Theta モデル、Prophet モデル、Transformer モデルを使用して、電力需要、市場収益、気温を予測する実験も行っています。
私たちは、メソッドをテストしたり、新しいアルゴリズム、データセット、予測ルールを統合したりするための拡張可能なコードベースを提供します。

要約(オリジナル)

We study the problem of uncertainty quantification for time series prediction, with the goal of providing easy-to-use algorithms with formal guarantees. The algorithms we present build upon ideas from conformal prediction and control theory, are able to prospectively model conformal scores in an online setting, and adapt to the presence of systematic errors due to seasonality, trends, and general distribution shifts. Our theory both simplifies and strengthens existing analyses in online conformal prediction. Experiments on 4-week-ahead forecasting of statewide COVID-19 death counts in the U.S. show an improvement in coverage over the ensemble forecaster used in official CDC communications. We also run experiments on predicting electricity demand, market returns, and temperature using autoregressive, Theta, Prophet, and Transformer models. We provide an extendable codebase for testing our methods and for the integration of new algorithms, data sets, and forecasting rules.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google