Yapay zeka ve makine öğrenmesi alanında zaman serisi tahminleri kritik bir role sahip. Finansal piyasalardan hava durumu tahminlerine, enerji tüketiminden sağlık verilerine kadar birçok alanda kullanılan bu tahminlerin doğruluğu, alınacak kararlarda belirleyici oluyor.
Araştırmacılar, mevcut Adaptive Conformal Inference (ACI) yönteminin önemli bir sınırlılığını tespit etti. Bu yöntem, veri dağılımında değişiklikler yaşandığında sadece tahmin aralığının eşiklerini ayarlayabiliyor ancak aralığın merkezini kaydıramıyor. Bu durum, temel tahmin modelinde sistematik bir yanlılık oluştuğunda sorun yaratıyor.
Geliştirilen BC-ACI algoritması, bu sorunu çözmek için exponentially weighted moving average (EWM) tekniğini kullanarak tahmin yanlılığını çevrimiçi olarak hesaplıyor. Algoritma, nonconformity skorlarını düzeltmeden önce bu yanlılığı dikkate alıyor ve tahmin aralıklarını yeniden merkezliyor.
Özellikle dikkat çeken özelliklerden biri, algoritmanın adaptif bir 'ölü bölge' eşiği kullanması. Bu sayede, tahmin edilen yanlılık sadece gürültüden ibaret olduğunda düzeltme yapılmıyor ve iyi kalibre edilmiş verilerde performans kaybı yaşanmıyor.
688 farklı test senaryosunda yapılan kapsamlı deneyler, BC-ACI'nin geleneksel yöntemlere göre daha hassas ve güvenilir tahminler ürettiğini gösteriyor.