本研究提出了一种轻量级的在线符合性预测方法，旨在解决深度时间序列预测模型在量化预测不确定性方面的挑战。该方法通过预训练模型特征拟合残差预测器，构建有效的置信区间，并利用自适应覆盖控制机制实现覆盖收敛，实验结果验证了其有效性。

本研究从流形学习的角度分析深度时间序列预测模型，探讨其潜在表示与低维流形的关系。发现深度变换器模型各层的几何特征相似，并与模型性能相关，为设计新型深度预测神经网络提供了启示。