BC-ACI：带偏置校正的自适应保形推理，提升时序预测区间效率

1. 项目概述

在时间序列预测的实际应用中，一个经常被忽视但至关重要的问题是：我们如何为模型的点预测提供一个可靠的、能够量化不确定性的预测区间？尤其是在模型部署上线后，数据分布可能悄然发生偏移，比如市场需求突变、传感器漂移或政策调整。传统的保形预测方法，特别是自适应保形推理，为我们提供了一个无需假设数据分布的强大框架，能在有限样本下保证覆盖概率。然而，我在多年的时序建模和部署实践中发现，当预测模型本身存在系统性偏置时，这些方法会显得力不从心。想象一下，你训练了一个完美的回归模型，但上线后数据整体水平突然抬升了5个单位，模型预测会持续偏低。此时，为了维持90%的覆盖保证，自适应保形推理只能无奈地将预测区间对称地、均匀地向两边拓宽，就像一个笨拙的守卫，明明知道入侵者总是从东边来，却只能把围墙修得一样高。这种“对称加宽”的策略虽然保证了安全，却付出了巨大的效率代价——区间变得臃肿，信息价值大打折扣。

BC-ACI，即带偏置校正的自适应保形推理，正是为了解决这一痛点而生。它不是一个全新的框架，而是一个轻量级、可插拔的扩展。其核心思想直白而有效：既然偏置是导致区间效率低下的元凶，那我们就在线估计它，并在构建区间前将其从非保形分数中扣除。这听起来简单，但魔鬼在细节中。如何在线稳定地估计一个可能时变的偏置？如何避免在数据本无偏置时，因估计噪声反而弄巧成拙？BC-ACI通过引入指数加权移动平均进行在线偏置估计，并结合一个基于中位数绝对偏差的自适应死区阈值来优雅地解决了这两个问题。对于任何需要在动态环境中部署预测模型，并关注其预测不确定性可靠性的从业者——无论是数据科学家、算法工程师还是业务分析师——理解并应用BC-ACI，都意味着能在不牺牲统计可靠性的前提下，获得更紧致、信息量更大的预测区间，从而做出更精准的风险评估和决策。

2. 核心原理与设计思路拆解

2.1 传统自适应保形推理的瓶颈：为何对称区间在偏置面前效率低下？

要理解BC-ACI的价值，我们必须先深入传统自适应保形推理的工作原理及其局限性。自适应保形推理的核心是一个在线更新的误覆盖率参数α_t。其更新规则是一个经典的随机近似过程：α_{t+1} = α_t + γ * (α - I{y_t ∉ C_t})。其中，γ是步长，α是目标误覆盖率，I{·}是指示函数。这个机制的精妙之处在于，如果当前时刻的真实值落在了预测区间外（即发生误覆盖），那么α_t就会增加，导致下一时刻用于计算区间宽度的分位数变大，区间变宽，以期覆盖住未来的真实值；反之，如果覆盖成功，α_t会减小，区间收窄。在一定的有界漂移假设下，这种方法能保证长期的边际覆盖概率收敛于目标水平1-α。

然而，ACI及其后续改进版本（如AgACI、加权保形方法）都有一个共同的结构性约束：它们只调整用于计算区间宽度的分位数阈值，但区间的中心始终固定在模型的点预测值ŷ_t上。当模型的残差近似以零为中心时，这种对称区间构建方式是最优的。但现实很骨感，尤其是在模型部署后不再重新训练的场景下。一旦数据分布发生水平偏移，模型的预测就会产生持续性的、非零均值的残差，即系统性偏置b。

这里有一个关键的计算过程需要明确。假设在某个时刻，模型的真实残差e_t = y_t - ŷ_t可以分解为：e_t = Z_t + b。其中，Z_t是均值为零的随机噪声（例如，服从均值为0，方差为σ²的分布），b是恒定的偏置。传统ACI使用的非保形分数是绝对残差|e_t| = |Z_t + b|。那么，用于构建区间的分位数q_α(b)是|Z + b|分布的(1-α)分位数。根据概率论，对于任何非零的b，|Z + b|的分布都会随机大于|Z|的分布。这意味着q_α(b) > q_α(0)。最终，ACI的区间宽度为2 * q_α(b)。

一个知晓真实偏置b的“先知”会怎么做？它会将区间中心校正到ŷ_t + b，然后使用噪声Z_t的绝对值的分位数q_α(0)来构建宽度。这样，区间宽度仅为2 * q_α(0)。两者之间的宽度差2(q_α(b) - q_α(0))就是ACI为无法校正中心而付出的“效率税”。当偏置b的绝对值远大于噪声标准差σ时，可以证明，ACI的区间宽度近似为2|b| + 2*z_{1-α}*σ，而先知方法的宽度仅为2*z_{1-α}*σ。多出来的2|b|就是纯粹的、不必要的宽度开销。这正是图1中上方子图展示的现象：在偏移点之后，区间被对称地、过度地加宽了。

注意：这里的“偏置”特指模型预测在分布偏移后产生的系统性、持续性的预测误差均值。它与模型训练阶段的欠拟合偏置不同，是部署后由于数据分布变化而新产生的。

2.2 BC-ACI的核心创新：在线偏置估计与自适应校正

BC-ACI的解决方案可以概括为：在计算保形分位数之前，先对非保形分数进行在线偏置校正。这打破了ACI只能调整阈值的限制，允许区间中心根据估计的偏置进行平移。整个框架包含三个核心组件：

1. 分时段在线偏置估计：对于每个预测步长h，BC-ACI独立维护一个偏置估计值\hat{b}_t^{(h)}。这是通过一个指数加权移动平均器来更新的：\hat{b}_{t+1}^{(h)} = (1 - λ) * \hat{b}_t^{(h)} + λ * e_t^{(h)}。其中，λ是平滑参数，e_t^{(h)}是当前在步长h上的有符号残差。EWMA相当于一个低通滤波器，其有效记忆长度约为2/λ - 1。选择λ需要在跟踪速度和平滑度之间权衡：λ越大，对偏置变化的反应越快，但估计