本研究介绍 tsbootstrap 提供的面向时间序列的分布无关不确定性量化与自适应校准框架,整合块、残差、筛选、野外重采样等方法,并提供自适应校准器(EnbPI、ACI、NexCP、AgACI)的一体化 API。实证结果显示,在存在依赖的情形下,IID Bootstrap 常显著低估覆盖率,依赖感知方法可显著降低覆盖不足,其中 sieve 在短记忆的线性依赖下最接近名义覆盖率;对于长记忆的 ARFIMA,由于依赖性太强,仍难以达到理想覆盖。该实现具备编译后端加速、流式聚合以控制内存峰值的优点,且以 MIT 许可发布,便于研究与应用落地
以下是对提供的报告“tsbootstrap: Distribution-Free Uncertainty Quantification and Conformal Prediction for Time Series” 的极其详尽分析,覆盖元数据、逐章解读、图表深度解析、性能与可重复性、风险与局限,以及结论性综合。文中所有来自原文的结论或关键推断,均在句末附上溯源页码标记,以便追溯原文出处。
2.1 引言与需求(Introduction and Statement of Need)
2.2 设计与 API(Design and API)
2.3 方法与不确定性覆盖(Methods and UQ Coverage)
2.4 对比分析(Comparison)
2.5 性能与实现效率(Performance)
2.6 可重复性、质量与可用性(Reproducibility, Quality, and Availability)
2.7 致谢与资助披露(Acknowledgments & Funding Disclosure)
2.8 参考文献(References)
2.9 附录与额外作者/贡献者信息(Authors & Additional References)
3.1 表1:不同 DGP 与方法在 90% 名义水平下的经验覆盖率
3.2 表2:能力对比(Capability comparison)
3.3 图表与图片的综合解读
附注:图表与图片的溯源引用
总体而言,报告系统性地展示了 tsbootstrap 提供的“依赖感知再采样引擎 + 自适应校准 + 流式聚合”一体化框架在时间序列不独立性条件下的理论基础、实现细节、实验证据与性能优势。对于研究者而言,它提供了一个明确的对照基线与实验设计模板;对于工程实践,则提供了提高大规模时间序列不确定性量化效率与鲁棒性的可操作方案。核心结论和关键数值的溯源均可在所给页码标记中追溯到原文。
2607.06690.pdf