TEMPER新算法：长步预测CRPS猛降0.472个百分点！
TEMPER: Temporal Encoder-Masked Probabilistic Ensemble Regressor for Time-Series Forecasting
📖 AI 总结
本文提出TEMPER（时序编码器-掩码概率集成回归器），一种面向单变量时间序列的概率预测算法，融合时序自编码器、可微掩码神经决策森林、连续排序概率评分（CRPS）训练与高斯混合后处理，基于R语言的torch实现，可输出逐预测步的密度、分布、分位数与采样函数。作者在三条含趋势、周期性、机制切换、非线性阈值和异方差成分的合成序列上，以t+1、t+5、t+20、t+60四个预测步长进行96次滚动原点预测，得到归一化平均CRPS为2.824%、中位绝对误差3.635%、90%区间经验覆盖率68.8%。消融实验显示，放宽学习到的掩码可使平均CRPS改善0.472个百分点，主要来自长预测步收益；区间两倍膨胀可将留出覆盖率从54.2%提升至91.7%。研究据此指出，校准、分步长调参与组件选择是后续核心方向。
🔑 关键词速览
| TEMPER | 本文提出的时间编码器-掩码概率集成回归器，一种结合时间自编码器、掩码神经决策森林和CRPS训练的单变量时间序列概率预测算法。 |
| CRPS | 连续排序概率得分，一种用于评估概率预测校准度和锐度的常用指标，值越小表示预测分布越接近真实分布。 |
| 掩码神经决策森林 | 一种可微分的神经决策森林变体，通过掩码机制学习特征选择，用于集成预测并支持端到端训练。 |
| 滚动原点预测 | 一种时间序列评估方法，通过不断移动预测起点并利用历史数据重新训练模型，来模拟实际预测场景。 |
| 区间校准 | 调整预测区间宽度以使经验覆盖率接近名义覆盖率的过程，本文通过区间膨胀来改善90%区间的覆盖率。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅