beta-mixing

新的DNN方法量化时间序列预测不确定性

研究人员开发了一种使用标准ReLU深度神经网络（DNN）预测时间序列并量化这些预测相关不确定性的新方法。该方法通过构建相关的预测区间（PPI）来解决未来变异性和训练数据估计变异性问题。该研究探讨了DNN估计器与beta-mixing相关数据的相容性，并证明了前向bootstrap序列保持了beta-mixing特性和原始时间序列的平稳分布，这对于实现PPI至关重要。所提出的方法通过模拟和真实数据分析进行了验证，并与标准的非参数方法进行了性能比较。