[논문 리뷰] Conformal prediction for dynamic time-series.

Chen Xu, Yao Xie|arXiv (Cornell University)|2020. 10. 18.

Time Series Analysis and Forecasting참고 문헌 49인용 수 4

한 줄 요약

이 논문은 데이터의 교환 가능성 또는 데이터 분할을 요구하지 않으며, 동적 시계열에서 예측 구간을 구성하기 위한 계산적으로 효율적인 분포 자유 방법인 EnbPI를 소개한다. 이 방법은 점점 더 유효한 조건부 및 주변 커버리지 성능을 달성하면서도 오라클 구간의 너비로 수렴하며, 시뮬레이션 및 실데이터 연구에서 기존 방법들을 능가한다.

ABSTRACT

We develop a general framework constructing distribution-free prediction intervals for dynamic time series. We show that our intervals asymptotically attain valid conditional and marginal coverages for a broad class of predictions functions and time series. We also show that our interval width converges to that of the oracle prediction interval asymptotically. Moreover, we introduce a computationally efficient algorithm called \verb|EnbPI| that wraps around ensemble predictors, which is closely related to conformal prediction (CP) but does not require data exchangeability. \verb|EnbPI| avoids data-splitting and is computationally efficient by avoiding retraining and thus scalable to sequentially producing prediction intervals. We perform extensive simulation and real-data analyses to demonstrate its effectiveness compared with existing methods.

연구 동기 및 목표

• 데이터의 교환 가능성 가정 없이도 유효한 커버리지를 보장하는 동적 시계열에서의 예측 구간 구성을 위한 분포 자유 프레임워크를 개발하는 것.
• 재학습 및 데이터 분할을 피함으로써 스케일링 가능하고 실시간으로 예측 구간을 생성할 수 있도록 하는 것.
• 넓은 조건 하에서 예측 구간의 너비가 오라클 구간의 너비로 점차 수렴하는 것을 달성하는 것.
• 실제 구현에 적합한 앙상블 예측기와 호환되는 계산적으로 효율적인 알고리즘 설계

제안 방법

• 이 방법은 시계열 데이터의 교환 가능성 조건 없이도 앙상블 예측기의 결과에 대해 콫리티드 예측 원리(Conformal Prediction)를 적용하는 워퍼 알고리즘인 EnbPI를 도입한다.
• 과거 예측의 윈도우를 기반으로 한 잔차를 사용하여 예측 구간을 구성함으로써 순차적인 예측 구간 생성을 가능하게 한다.
• 예측 함수와 시계열에 대한 약한 정규성 조건 하에서, 주변 및 조건부 커버리지의 점진적 유효성을 보장하는 프레임워크를 제공한다.
• 재학습 및 데이터 분할을 피하기 때문에, 대규모 또는 스트리밍 시계열에 적합한 계산적 효율성을 달성한다.
• 앙상블 예측기를 기본 학습기로 활용함으로써, 비-i.i.d. 조건 하에서도 유연성과 강건성을 확보할 수 있다.

실험 결과

연구 질문

• RQ1 교환 가능성에 의존하지 않는 시계열에 대해 콕리티드 예측 방법을 설계할 수 있는가?
• RQ2 그러한 방법이 동적 환경에서 점차적으로 유효한 조건부 및 주변 커버리지를 달성할 수 있는가?
• RQ3 일반 조건 하에서 예측 구간의 너비가 오라클 구간의 너비로 수렴할 수 있는가?
• RQ4 재학습 및 데이터 분할을 피하면서도 확장 가능하고 실시간으로 작동하는 알고리즘을 구성할 수 있는가?

주요 결과

• EnbPI는 다양한 예측 함수 및 시계열 모델에 대해 점차적으로 유효한 조건부 및 주변 커버리지를 달성한다.
• EnbPI가 생성한 예측 구간의 너비는 점차 오라클 구간의 너비로 수렴하여 최적의 구간 크기를 나타낸다.
• 이 방법은 데이터 분할 및 재학습을 피함으로써 계산적으로 효율적이며, 확장 가능한 순차적 예측 구간 생성을 가능하게 한다.
• 시뮬레이션 및 실세계 데이터에 대한 경험적 평가 결과, EnbPI는 커버리지 유효성과 구간의 날카로움 측면에서 기존 방법들을 능가한다.