선형 보완 프로그래밍을 이용한 시계열의 적합 예측 영역

적합 예측은 높은 확률로 유효한 기계 학습 모델의 예측 영역을 생성하기 위한 통계적 도구입니다. 그러나 시계열 데이터에 적합 예측을 적용하면 보수적인 예측 영역이 발생합니다. 실제로 T 시간 단계에서 신뢰도 1-δ의 예측 영역을 얻으려면 이전 작업들은 각 개별 예측 영역이 신뢰도 1-δ/T로 유효해야 합니다. 우리는 학습 가능한 시계열 예측기를 사용할 때 장기 계획 및 검증을 가능하게 하기 위해 이 보수성을 줄이는 최적화 기반 방법을 제안합니다. 각 시간 단계에서 개별적으로 예측 오류를 고려하는 대신, 우리는 여러 시간 단계에 걸쳐 매개변수화된 예측 오류를 고려합니다. 추가 데이터 세트에서 매개변수를 최적화하여 보수적이지 않은 예측 영역을 찾습니다. 이 문제를 혼합 정수 선형 보완 프로그램(MILCP)으로 변환할 수 있음을 보여준 후, 이를 선형 보완 프로그램(LCP)으로 완화합니다. 또한 완화된 LP가 원래의 MILCP와 동일한 최적 비용을 가진다는 것을 증명합니다. 마지막으로 보행자 경로 예측기와 F16 전투기 고도 예측기를 사용하는 사례 연구를 통해 우리 방법의 효율성을 입증합니다.