Conformal time series decomposition with component-wise exchangeability

要約

等角予測は、分布のない不確実性の定量化のための実用的なフレームワークを提供し、データ交換可能性に関する比較的緩やかな仮定の下で有限サンプルのカバレッジ保証を提供します。
ただし、時系列には時間的に相関する性質があるため、これらの仮定は当てはまらなくなります。
この研究では、時系列分解を組み込んだ時系列予測のための等角予測の新しい使用法を紹介します。
このアプローチにより、さまざまな時間コンポーネントを個別にモデル化することができます。
特定の等角アルゴリズムを各コンポーネントに適用し、得られた予測区間をマージすることで、各コンポーネントの基礎となるさまざまな交換可能性レジームを考慮してメソッドをカスタマイズします。
私たちの分解ベースのアプローチは、合成データと現実世界のデータに基づいて徹底的に議論され、経験的に評価されています。
この方法は、適切に構造化された時系列に対して有望な結果を提供しますが、より複雑なデータの分解ステップなどの要因によって制限される可能性があることがわかりました。

要約(オリジナル)

Conformal prediction offers a practical framework for distribution-free uncertainty quantification, providing finite-sample coverage guarantees under relatively mild assumptions on data exchangeability. However, these assumptions cease to hold for time series due to their temporally correlated nature. In this work, we present a novel use of conformal prediction for time series forecasting that incorporates time series decomposition. This approach allows us to model different temporal components individually. By applying specific conformal algorithms to each component and then merging the obtained prediction intervals, we customize our methods to account for the different exchangeability regimes underlying each component. Our decomposition-based approach is thoroughly discussed and empirically evaluated on synthetic and real-world data. We find that the method provides promising results on well-structured time series, but can be limited by factors such as the decomposition step for more complex data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google