Conformal time series decomposition with component-wise exchangeability

本文介绍了一种新的应用形式的符合预测，用于时间序列预测，该方法结合了时间序列分解。这种方法可以让我们逐个建模不同的时间组件。通过将特定的符合算法应用于每个组件，然后合并获得的预测区间，我们可以根据不同的交换性机制自定义我们的方法。我们的分解方法在合成数据和真实世界数据上进行了全面的讨论和实证评估。我们发现，该方法在结构良好的时间序列上提供了有希望的结果，但对于更复杂的数据，如分解步骤等因素可能会限制其效果。

本论文旨在解决时间序列预测中，传统的conformal prediction框架在考虑时间序列的相关性时的局限性问题。

本文提出了一种新颖的基于时间序列分解的conformal prediction方法，可以将不同的时间序列分量单独建模，然后将不同算法得到的预测区间合并起来，从而更好地考虑每个分量的交换性。

本文通过实验对新方法进行了评估，发现它在结构良好的时间序列上表现良好，但在处理更复杂的数据时，分解步骤可能会受到限制。此外，论文还提供了开源代码和使用的数据集。

在最近的相关研究中，也有一些学者尝试将conformal prediction方法应用于时间序列预测中，例如《Conformalized Quantile Regression for Time Series Prediction》。