Generalizing conformal prediction methods for time series forecasting

This thesis explores the integration of conformal prediction methods CopulaCPTS and MultiDimSPCI with time series forecasting models to enhance the reliability of confidence intervals. Using a diverse set of datasets, the study eval- uates these methods in terms of coverage probability and interval size. A rolling window approach is employed to assess various models over different seasonalities of the datasets. Particularly, the methodology is adapted for black-box modeling, allowing the application of conformal prediction techniques to a wider range of model architectures beyond the traditional RNN models presented in the origi- nal papers. The results demonstrate that both methods estimate good coverage probability and provide reliable confidence intervals, with MultiDimSPCI showing superior performance in handling data variability. The findings highlight the value of conformal prediction in enhancing time series forecasting and offer practical in- sights for future research and applications.

Questa tesi esplora l’integrazione dei metodi di quantificazione dell’incertezza, in particolare CopulaCPTS e MultiDimSPCI con modelli di previsione delle serie temporali per migliorare l’affidabilità degli intervalli di confidenza. Utilizzando diverse tipologie di datasets, lo studio valuta questi metodi in termini di probabilità di copertura e dimensione dell’intervallo. Viene utilizzato un approccio a finestra mobile per valutare vari modelli sotto più stagionalità dei dati analizzati. In particolare, la metodologia viene adattata alla modellazione black- box, consentendo l’applicazione delle tecniche di predizione conforme a una gamma più ampia di architetture di modelli oltre ai tradizionali modelli RNN presentati negli articoli originali. I risultati dimostrano che entrambi i metodi stimano una buona probabilità di copertura e forniscono intervalli di confidenza più affidabili, con MultiDimSPCI che mostra prestazioni superiori nella gestione della variabilità dei dati. I risultati evidenziano la copertura degli intervalli di confidenza e la loro dimensione, con l’obbiettivo dimigliorare la previsione di serie temporali offrendo spunti pratici per la ricerca e applicazioni future.