Kernel-based Optimally Weighted Conformal Time-Series Prediction

arXiv:2405.16828v3 Announce Type: replace 抽象：本稿では、KOWCPI（Kernel-based Optimally Weighted Conformal Prediction Intervals）と呼ぶ、新しい時間系列用のコンフォーマル予測手法を提示します。KOWCPI は、交換可能性のない依存データにおける分位回帰に適用される经典的な再重み付け Nadaraya-Watson（RNW）推定量を適応させ、最適なデータ適応的な重みを読み取ります。理論的には、非交換可能なデータに対する非コンフォーマルスコの強い混合条件下での条件付き被覆保証の確立という課題に対処しました。現実および人工時間系列データにおける最先端手法との比較で KOWCPI の優れた性能を示し、被覆を維持せずに狭い信頼区間を実現しました。

arXiv:2405.16828v3 Announce Type: replace Abstract: In this work, we present a novel conformal prediction method for time-series, which we call Kernel-based Optimally Weighted Conformal Prediction Intervals (KOWCPI). Specifically, KOWCPI adapts the classic Reweighted Nadaraya-Watson (RNW) estimator for quantile regression on dependent data and learns optimal data-adaptive weights. Theoretically, we tackle the challenge of establishing a conditional coverage guarantee for non-exchangeable data under strong mixing conditions on the non-conformity scores. We demonstrate the superior performance of KOWCPI on real and synthetic time-series data against state-of-the-art methods, where KOWCPI achieves narrower confidence intervals without losing coverage.