概率时间序列基础模型的不确定性校准评估
Evaluating Uncertainty Calibration in Probabilistic Time Series Foundation Models
精选理由
帮助读者识别时间序列预测不确定性评估中的盲点，并了解模型校准问题及改进方法。
AI 摘要
时间序列基础模型（TSFMs）正日益广泛地应用于各个领域的概率预测，但其不确定性估计的可靠性仍缺乏充分认识。在本研究中，我们从更广泛的方法论和实证视角研究概率 TSFMs 的不确定性校准。我们提出了一套针对 TSFMs 预测不确定性表示方式的分类体系，并构建了用于多预测步长场景的细粒度校准评估框架，区分了汇总校准、逐预测步长校准以及更强的条件校准概念。借助这一框架，我们在多种数据集上对主流 TSFMs 进行了全面的实证评估，结果表明，当前模型呈现出各异且系统性的失准模式，而标准指标往往会掩盖这些模式。我们进一步分析了常见的事后再校准方法，明确了这些方法能够改善哪些形式的校准，以及哪些失准问题往往仍会持续存在。我们的结果为评估和改进 TSFMs 的不确定性校准提供了实践指导，并揭示了当前实践中的重要局限。