BriefGPT - AI 论文速递
·
分叉不确定性：利用序列模型进行可靠预测和模型预测控制的符合风险控制
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该文介绍了一种基于符合性预测和控制理论的算法，用于时间序列预测的不确定性量化问题。该算法能够在在线环境中前瞻性地模拟符合性得分，并能适应由季节性、趋势性和一般分布变化引起的系统误差。作者在美国州级 COVID-19 死亡人数提前四周预测的实验中，与官方 CDC 通讯中使用的集合预测方法相比，覆盖范围有所改善。作者还使用自回归、Theta、Prophet 和 Transformer 模型对电力需求、市场回报和温度进行了实验预测，并提供了一个可扩展的代码库。
🎯
关键要点
- 该文研究时间序列预测的不确定性量化问题，旨在提供易于使用且具有形式保证的算法。
- 提出的算法基于符合性预测和控制理论，能够在在线环境中前瞻性地模拟符合性得分。
- 算法适应由季节性、趋势性和一般分布变化引起的系统误差。
- 在美国州级 COVID-19 死亡人数提前四周预测的实验中，覆盖范围有所改善。
- 使用自回归、Theta、Prophet 和 Transformer 模型对电力需求、市场回报和温度进行了实验预测。
- 提供了一个可扩展的代码库，用于测试方法以及集成新算法、数据集和预测规则。
➡️
