时间序列中的不确定性：在椭圆集中的共形预测

在现代机器学习的浪潮中，共形预测（Conformal Prediction，CP）作为一种无分布假设、模型无关且理论基础扎实的方法，越来越受到研究者的青睐。尤其是在不确定性量化的场景中，CP不仅能提供点估计，还能构建包含未观察到的真实值的置信区域。尽管CP在单变量输出方面取得了显著成功，但在多维时间序列预测中，其应用仍显得相对薄弱。本文将介绍一种新的CP方法——MultiDimSPCI，专门针对多维响应的预测区域构建，尤其是在多维时间序列的背景下。

引言：共形预测的魅力

共形预测的基本思路是利用一个黑箱模型 和输入特征 ，构建一个非一致性评分（non-conformity score），该评分衡量了潜在输出与历史数据的不一致程度。这个不一致性评分可以理解为一种“异常检测”机制，帮助我们判断一个新的观测值是否符合历史数据的模式。

在经典的CP方法中，通常假设数据是可交换的，即数据点之间没有顺序关系。然而，在多维时间序列中，数据的顺序往往是至关重要的。换句话说，时间序列数据具有内在的时间依赖性和复杂的维度间相关性，这使得基于CP的传统模型在处理多维输出时显得力不从心。

MultiDimSPCI：应对复杂的多维时间序列

本文提出的MultiDimSPCI方法，致力于在不假设数据交换性的情况下，构建适应性强的椭圆预测区域。具体来说，MultiDimSPCI方法通过以下几个步骤来实现其目标：

1. 椭圆不确定性集的构建：通过对预测残差进行协方差估计，构建椭圆形的不确定性区域。公式为：

      

   这里，是半径，而是残差的均值。
2. 非一致性评分的计算：基于训练集数据，计算非一致性评分，以此来适配新的观测值。具体评分计算式为：

      

   通过这一评分，可以有效地评估新数据点的异常程度。
3. 自适应调整半径和体积：在每次预测时，通过量化回归方法，动态调整椭圆的半径，以确保覆盖率的有效性。最终的预测区域可以表示为：

      

   其中，表示量化回归函数，是与置信水平相对应的最优参数。

理论分析：覆盖率保证

在理论层面，MultiDimSPCI为构建的预测区域提供了有限样本高概率界限，确保覆盖率不依赖于观测的交换性。我们证明：

   

这里，和是与样本量和数据特性相关的常数。这一结果为我们在复杂时间序列预测中的应用奠定了理论基础。

实证分析：实战中的表现

为验证MultiDimSPCI的有效性，我们在不同类型的多维时间序列上进行了实验。实验结果显示，MultiDimSPCI在保持预测覆盖率的同时，预测区域的平均大小明显小于基准方法，如Copula和SPCI。

例如，在对风速数据的分析中，MultiDimSPCI的覆盖率达到97%而预测区域大小仅为1.60，而使用传统方法则需要更大的预测区域，且覆盖率相对较低（如Copula方法的覆盖率为98%但预测区域大小达到2.55）。

在太阳辐射和交通流量数据的实验中，MultiDimSPCI同样表现出色，显示出在多维时间序列中，椭圆形预测区域能够更有效地捕捉到维度间的相关性，同时保持了对时间序列的顺序依赖性的有效建模。

未来的展望

展望未来，MultiDimSPCI的方法还有进一步扩展的可能。例如，我们可以探索使用凸包（convex hull）作为替代的预测区域，这种方法可能在特定情况下提供更紧凑的区域。同时，我们也将继续研究在高维情况下CP的理论性质，以便更好地应对复杂数据场景的挑战。

结论

总之，MultiDimSPCI为多维时间序列的不确定性量化提供了一种有效的解决方案。通过构建椭圆形预测区域并结合动态调整机制，该方法不仅在理论上具有坚实的基础，也在实证分析中展示了其优越性。未来的研究将进一步拓宽CP在复杂数据领域的应用边界。

参考文献

• Xu, C. , & Xie, Y. (2021). Anomaly detection using conformal prediction.✅
• Barber, J. , et al. (2021). Regression with conformal prediction.✅
• Messoudi, A. , et al. (2021). Copula-based conformal prediction for time series.✅
• Sun, Y. , & Yu, P. (2024). Copula CP for multi-step forecasting.✅
• Diquigiovanni, A. , et al. (2022). Prediction bands for multivariate functional data.✅

---