跨空间时间序列的预测驱动推断

arXiv:2610.08715v1 公告类型：交叉收录 摘要：以下情形在时空场景中十分常见：我们在近期一个相对较短的时间段内观测到了一系列协变量与标签对，同时可以获取更长时间段内的无标签协变量数据。这些数据是在多个空间位置观测到的。例如，可能只有近几年大范围地理区域内的作物产量观测数据，但能够提供作物产量相关信息的天气数据却覆盖了长得多的时期。目标是估计每个空间位置未来的标签期望值（例如作物产量），并为该值提供有效的置信区间。仅有的观测时间段太短，无法得到可靠估计。使用机器学习填补缺失标签可能会引入显著偏差。预测驱动推断（PPI）可以校正这种偏差，但它依赖于独立同分布（i.i.d.）假设，而在我们预期存在的时间依赖关系下，该假设并不成立。异方差与自相关一致性（HAC）方法能够处理时间相关性，但尚未被调整用于部分标签通过填补获得的情形。给定跨空间位置的短期有标签时间序列、较长的无标签时间序列，以及一个根据协变量预测标签的不完美预测器，我们能够提供可靠的点估计和置信区间。我们表明，该方法优于一些直观的替代方法。