Downside-Controlled Online Forecast Combination under Delayed and Revised Outcomes

📄 arXiv: 2609.29096v1 📥 PDF

作者: Minkyoung Kim, Hyunjung Byun, Yohan Lee, Beakcheol Jang

分类: cs.LG

发布日期: 2026-09-24

备注: 8 figures, 8 tables; supplementary material (1 figure, 23 tables) appended

💡 一句话要点

提出下行控制的在线预测组合方法以应对延迟和修正结果问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 在线预测 负荷预测 模型修正 均方误差 基础模型

📋 核心要点

  1. 现有方法在处理无法重新训练的预测模型时，后期修正可能导致错误转移时的性能下降。
  2. 本文提出了一种结合冻结预测器、静态修正器和在线修正器的下行控制方法，以确保预测结果的稳定性。
  3. 实验结果表明，所提方法在多个基准测试中显著降低了均方误差，并在某些情况下实现了高达11.5%的性能提升。

📝 摘要（中文）

后期修正调整无法重新训练的预测模型（如基础模型），但在错误稳定的情况下进行的修正可能在错误变化时产生负面影响。本文旨在实现下行控制：确保预测结果不会比初始预测差太多。我们结合了冻结的预测器、静态修正器和在线修正器，使用仅在预测期后成熟的损失。在七个基准和四个基础模型的实验中，主要预测期的最差恶化为0.15%，而收益达到11.5%。在七个欧洲竞标区的日负荷预测中，所有区域的均方误差（MSE）均有所降低，而单一修正器在最准确的预测中使均方误差提高了最多102%。

🔬 方法详解

问题定义：本文解决的问题是如何在无法重新训练的基础模型上进行有效的预测修正，现有方法在错误变化时可能导致性能下降。

核心思路：本文的核心思路是通过结合冻结的预测器、静态修正器和在线修正器，确保预测结果不会比初始预测差太多，从而实现下行控制。

技术框架：整体架构包括三个主要模块：冻结预测器用于提供初始预测，静态修正器用于在错误稳定时进行修正，在线修正器则根据实时数据进行动态调整。

关键创新：最重要的技术创新在于提出了一种新的组合策略，能够有效利用不同修正器的优势，避免单一修正器在特定情况下的性能恶化。

关键设计：在参数设置上，损失函数选择了仅在预测期后成熟的损失，以确保修正的有效性，同时在网络结构上保持了简单性，以便于实时应用。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，所提方法在28对主要预测中的最差恶化仅为0.15%，而收益最高可达11.5%。在七个欧洲竞标区的日负荷预测中，所有区域的均方误差均有所降低，单一修正器在最准确的预测中导致均方误差提高最多达102%。

🎯 应用场景

该研究的潜在应用领域包括电力负荷预测、金融市场预测等需要实时调整的场景。通过提高预测的稳定性和准确性，能够为决策提供更可靠的支持，进而提升相关行业的运营效率和经济效益。

📄 摘要（原文）

Post-hoc correction adjusts a forecaster that cannot be retrained, such as a foundation model, but a correction fitted where errors are stable can hurt where they shift. We aim for downside control: not much worse than the starting forecast. We combine the frozen forecaster, a static corrector and an online corrector on the simplex, using only losses that mature after the horizon. Across seven benchmarks and four base models, two of them foundation models, the worst deterioration over 28 pairs at the main horizon is 0.15% and gains reach 11.5%. On day-ahead load for seven European bidding zones it lowers mean MSE in all seven zones, while single correctors raise mean MSE by up to 102% where the published forecast is most accurate. Three empirical conditions on expert speed, stream length and outcome alignment, each fixed by a documented failure, delimit its scope. Learning from the provisional outcome improves four zones on the settled one; learning on the settled outcome restores all seven.