Abstract
同期季節プール（Conformal Seasonal Pools: CSP）を提案します。これは、季節ナイーブ予測の周りに符号付き残差の抽出を加えることで、同一季節における実データの抽出と符号付き残差の抽出を混合し、その上で季節性を反映した確率的な時系列予測を行う、学習不要の確率的時系列予測器です。DeepNPTSが当初評価された6つの時系列データセット（electricity、exchange_rate、solar_energy、taxi、traffic、wikipedia）に関する監査済みのローリング・オリジン（rolling-origin）ベンチマークにおいて、CSP-Adaptiveは、私たちが報告するすべての指標でDeepNPTSを大きく上回ります――CRPS（窓ごとの対応付きWilcoxon検定 p approx 4 imes 10^{-10}）、正規化された平均分位点損失（p approx 7 imes 10^{-10}）、および実測の95%カバレッジ（p approx 8 imes 10^{-45}、平均 0.89 対 0.66）――さらに、CPU上で500倍以上高速に動作します。これらの中でカバレッジは最も意思決定に重要です。真値を含むはずの0.95という名目区間が、実際には約66%の場合にしか真値を含まないなら、基本的なキャリブレーション（校正）という要請を満たしておらず、安全性や意思決定上で重要な場面での実運用には耐えられません。この失敗モードは、集計的なカバレッジが示唆する以上に深刻です。最悪の10%の窓では、DeepNPTSの予測区間はH予測ホライズンのどれも覆いません――多ステップの軌跡全体が、すべてのステップにおいて同時に真値を外します。これは、医療、金融、エネルギー運用、自律システムのような安全性・意思決定上で重要なアプリケーションにおいて重大なリスクをもたらします。計画期間全体にわたり体系的に真値を外す予測区間は、患者の誤分類、規制資本の失敗、グリッドの需給バランスの崩れ、安全ケースの違反に直結します。CSPは、学習済みパラメータも学習も一切なしで、これらすべてを実現します。私たちは、学習ベースの非パラメトリック予測器を評価する際には、学習不要の適合的（conformal）サンプラを必須のベースラインにすべきだと主張します。
