机器学习(ML)的指数增长引起了极大的兴趣,以量化用户定义的信心水平的每个预测的不确定性。可靠的不确定性定量至关重要,是迈向增加对AI结果的信任的一步。在高风险决策中,它变得尤为重要,在这种决策中,真正的输出必须在置信度范围内具有很高的可能性。共形预测(CP)是一个无分布的不确定性定量框架,可适用于任何黑框模型,并产生预测间隔(PI),这些预测间隔(PIS)在轻度的交换性假设下有效。 CP型方法由于易于实施和计算便宜而变得越来越流行;但是,交换性假设立即排除时间序列预测。尽管最近的论文解决了协变量的转变,但对于一般时间序列预测生产H-Step提前有效PI的问题还不足。为了实现这样的目标,我们提出了一种称为AENBMIMOCQR的新方法(自适应集合批量多输入多输出保形的分数回归),该方法会产生渐近有效的PIS,适合异质驱动时间序列。我们将提出的方法与NN5预测竞争数据集中的最新竞争方法进行比较。所有用于复制实验的代码和数据都可以使用
translated by 谷歌翻译