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

要約

時系列予測の予測間隔を構築することは、特に点予測のみに依存している場合には困難です。
これまでの研究では、より効率的な間隔を設けることに重点が置かれていましたが、標準的な対策だけでは不十分であると私たちは主張しています。
効率性を超えて、予測間隔は、複雑さに関係なくカバレッジを維持しながら、予測の難易度に基づいて幅を調整する必要があります。
これらの問題に対処するために、異分散分位回帰 (HQR) と幅適応型等形推論 (WACI) を組み合わせることを提案します。
この統合された手順により、理論上の範囲が保証され、予測の不確実性に応じて間隔幅を変更できるようになります。
合成例と実際の電力価格予測シナリオの両方を使用して、そのパフォーマンスを評価します。
私たちの結果は、この組み合わせたアプローチが、有効性と効率性に関する一般的なベンチマークを満たすか、それを上回っていると同時に、重要でありながら見落とされがちな実用的な要件も満たしていることを示しています。

要約(オリジナル)

Constructing prediction intervals for time series forecasting is challenging, particularly when practitioners rely solely on point forecasts. While previous research has focused on creating increasingly efficient intervals, we argue that standard measures alone are inadequate. Beyond efficiency, prediction intervals must adapt their width based on the difficulty of the prediction while preserving coverage regardless of complexity. To address these issues, we propose combining Heteroscedastic Quantile Regression (HQR) with Width-Adaptive Conformal Inference (WACI). This integrated procedure guarantees theoretical coverage and enables interval widths to vary with predictive uncertainty. We assess its performance using both a synthetic example and a real world Electricity Price Forecasting scenario. Our results show that this combined approach meets or surpasses typical benchmarks for validity and efficiency, while also fulfilling important yet often overlooked practical requirements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google