SGA：时间序列基础模型中多步预测的不确定性量化

最近出现的时间序列基础模型 (TSFM) 显着提高了多步预测性能，能够在更广泛的未来范围内进行准确预测。然而，现有的 TSFM 经常遭受显着的固有不确定性，这通常表现为派生的预测分支在每个时间步骤出现并传播到后续步骤；不同的预测分支往往表现出不同的预测性能，从而损害了 TSFM 预测的可信度。在本文中，我们提出了切片-图形-对齐（SGA）方法来量化多步 TSFM 预测的不确定性。所提出的SGA首先使用有向无环图来表征所有潜在预测分支的拓扑，使得图的复杂性限制了多步预测的不确定性，然后通过集成拓扑信息和TSFM固有的随机性来精确测量图的复杂性。在 11 个 TSFM 和 27 个数据集上进行的实验结果表明，（i）SGA 在用不确定性估计对预测误差进行排序时实现了最佳性能； (ii) SGA 的采样范围比现有的昆士兰大学方法更广泛、更精确，从而得出了与现有方法根本不同的量化机制； (iii) 较大的 TSFM 模型规模与多步预测的较低不确定性估计相关，这表明多步 TSFM 预测的不确定性量化的另一种经验标度法则。