Relational Conformal Prediction for Correlated Time Series

要約

相関シーケンスでの観測を活用することにより、時系列予測における不確実性の定量化の問題に対処します。
グラフ表現を活用するリレーショナルディープラーニング方法は、時空間データと相関時系列からポイント推定値を取得するための最も効果的なツールの1つです。
しかし、そのような予測の不確実性を推定するために関係構造を悪用する問題は、同じ文脈でほとんど見落とされています。
この目的のために、コンフォーマル予測フレームワークと分位回帰に基づいて、新しい分布のないアプローチを提案します。
順番データに対するコンフォーマル予測の最近のアプリケーションにもかかわらず、既存の方法は各ターゲット時系列で独立して動作し、予測間隔を構築する際にそれらの関係を考慮していません。
グラフディープラーニングオペレーターに基づいて、新しいコンフォーマル予測方法を導入することにより、この空白を埋めます。
コンフォーマルリレーショナル予測（Corel）という名前の私たちの方法では、リレーショナル構造（グラフ）が事前と呼ばれることを必要とせず、事前に訓練された時系列予測因子の上に適用できます。
さらに、Corelには、交換不可能なデータと入力時系列の変更を処理するための適応コンポーネントが含まれています。
当社のアプローチは、関連するベンチマークにおける正確なカバレッジとアーカイブの最先端の不確実性の定量化を提供します。

要約(オリジナル)

We address the problem of uncertainty quantification in time series forecasting by exploiting observations at correlated sequences. Relational deep learning methods leveraging graph representations are among the most effective tools for obtaining point estimates from spatiotemporal data and correlated time series. However, the problem of exploiting relational structures to estimate the uncertainty of such predictions has been largely overlooked in the same context. To this end, we propose a novel distribution-free approach based on the conformal prediction framework and quantile regression. Despite the recent applications of conformal prediction to sequential data, existing methods operate independently on each target time series and do not account for relationships among them when constructing the prediction interval. We fill this void by introducing a novel conformal prediction method based on graph deep learning operators. Our method, named Conformal Relational Prediction (CoRel), does not require the relational structure (graph) to be known as a prior and can be applied on top of any pre-trained time series predictor. Additionally, CoRel includes an adaptive component to handle non-exchangeable data and changes in the input time series. Our approach provides accurate coverage and archives state-of-the-art uncertainty quantification in relevant benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google