预测明日销量时，“90到120件”通常比“50到160件”更有用，即使两者都能在九成时候罩住真实值。问题在于，共形预测——根据模型过去犯错的大小给新预测加上范围——常只强调覆盖率，却可能留下过宽、难以用于决策的区间。
Liu 等人提出 PID-Expert：同时运行一组 PID 校准器。PID 校准器会像恒温器一样，根据近期“罩住还是漏掉”的反馈调整区间；不同配置各自保留历史，再由系统按照区间宽度和漏报表现动态加权。关键的一步是，它还根据最终输出区间的覆盖情况，统一调节漏报的惩罚力度，因为多个阈值的加权结果，并不等于各校准器覆盖表现的简单平均。
在论文的一项非线性模拟中，343 个 PID 校准器使用完全相同的点预测和误差信息，却得到不同宽度的区间，说明“覆盖率差不多”并不代表实用性相同。作者称，在四组模拟和两个真实数据应用中，PID-Expert比预先指定的 Conformal PID 基准给出更窄的平均区间，同时总体经验覆盖率仍接近目标；但数据分布突然变化后，局部覆盖率与区间宽度之间的取舍会更明显。