延迟和修正结果下的下行控制在线预测组合

事后修正调整的是无法重新训练的预测器，例如基础模型，但在误差稳定的情况下进行的修正可能会损害误差发生变化的地方。我们的目标是控制下行风险：不会比最初的预测差很多。我们将冻结预测器、静态校正器和在线校正器结合在单纯形上，仅使用在地平线之后成熟的损失。在七个基准和四个基础模型（其中两个基础模型）中，主视野中 28 对的最差恶化为 0.15%，收益达到 11.5%。对于七个欧洲投标区的日前负载，它降低了所有七个区域的平均 MSE，而单个校正器将平均 MSE 提高了高达 102%，其中已发布的预测是最准确的。关于专家速度、流长度和结果对齐的三个经验条件（每个条件都由记录的故障修复）界定了其范围。从临时结果中学习可以改善已确定结果的四个区域；对既定结果的学习可以恢复所有七个。