引言：为什么普通区间不可靠
当模型同时预测多个时间序列时，它通常返回的不是单个点值，而是一个完整的可能场景分布——例如以一组样本的形式。这便于分析不确定性，但对于实际决策需要明确的边界：“有95%的概率，指标会落在某个范围内”。构建这些边界最简单的方法是对每个序列分别从样本中取经验分位数。然而，这种方法只能得到一组独立的区间，忽略了序列之间的相关性。此外，这些区间没有形式上的保证：实际覆盖率可能明显偏离声称的水平，尤其是当数据分布随时间变化时。
SPACE如何构建自适应椭球体
一个研究团队——李百石、Kelvin J. L. Kwa和黄克威——提出了SPACE方法（Sample-cloud Predictive Adaptive Conformal Ellipsoids，样本云预测自适应共形椭球）。这是一个通用增强模块，可以接入任何生成预测样本的概率模型。SPACE不是从历史误差中提取区域形状，而是观察模型为当前时刻生成的实际样本云。
基于样本的协方差估计
关键思想是直接从当前预测点集中计算局部协方差结构。该结构显示每个序列的值如何分散以及它们之间如何相互关联。在此基础上构建椭球体——一个多维“水滴”，沿序列依赖的主要方向定向。这种形状比由独立分位数构成的矩形精确得多：它不会覆盖样本几乎不会落入的空区域，并且在相同的覆盖水平下需要更少的空间。
半径的动态校准
然而，仅基于当前样本构建的椭球体还不够——需要校准其大小，使实际覆盖率与目标水平（例如90%）一致。SPACE通过动态选择回溯窗口的方案来解决这个问题。算法自行决定要考虑多少个最近的误差：如果分布稳定，窗口会延长以利用更多数据；如果发生漂移，窗口会缩短，以免用过时信息污染校准。
结果与比较
在不同多维数据集和不同概率模型上的实验中，SPACE与使用固定或累积历史残差窗口的现有共形方法进行了比较。结果一致表明，SPACE使实际联合覆盖率和滑动覆盖率接近名义水平。如果声称是90%，那么随着时间推移，大约90%的新观测确实落在区域内。
同时，它在覆盖完整性和效率之间也实现了更好的权衡：区域不会膨胀到无意义的大小，而是保持足够紧凑。与竞争性包装方法相比，SPACE要么在相同面积下提供更精确的覆盖，要么在保持目标覆盖的同时需要更小的面积。
实际意义
对于商业和工程而言，诚实的预测区间是决策质量的关键。区间过窄会导致风险低估，过宽则使预测失去价值。SPACE帮助构建多维区域，即使在不稳定时期也能保持保证。这对于金融市场、物流、技术系统监控和库存管理尤为重要，因为这些领域变化迅速，算法适应延迟的代价高昂。
结论
SPACE解决了共形预测的一个长期问题：它不再受制于过去，而是开始利用当前预测中蕴含的信息。半径的动态校准使方法对模式切换具有鲁棒性，而椭球形状自然地考虑了序列之间的相关性。这是向前迈出的务实一步，使多维概率预测更加可靠，更适合实际任务。
