一种面向时序预测模型的多尺度不确定性量化方法与系统

摘要: 本发明涉及智能分析,具体涉及一种面向时序预测模型的多尺度不确定性量化方法与系统。背景技术:1、在电力负荷调度、交通流量管控、金融风控及设备健康监测等关键决策场景...
一种面向时序预测模型的多尺度不确定性量化方法与系统

本发明涉及智能分析,具体涉及一种面向时序预测模型的多尺度不确定性量化方法与系统。

背景技术:

1、在电力负荷调度、交通流量管控、金融风控及设备健康监测等关键决策场景中,时序预测模型被广泛应用。然而,现有的时序预测模型多为确定性点估计,即便未来演化存在高度模糊性或突变风险,模型仍仅输出单一预测值,无法提供可信度信息。在实际控制与预警任务中,这种预测概率与实际风险的偏差可能造成严重误判,因此,对时序预测结果进行不确定性量化已成为提升系统安全性和可靠性的关键需求。

2、围绕时序预测中的不确定性量化,现有技术主要存在以下几类方法及其局限性:

3、第一类为基于参数化分布假设的方法。在工业界通常采用分位数回归或在模型输出层添加高斯回归头的方式,通过单次前向传播获得整体方差或分位数区间。这类方法计算效率较高,但其核心假设预测分布服从预先定义的特定分布形式,例如高斯分布或拉普拉斯分布。然而,真实时序数据的噪声分布往往呈现非高斯、多峰或重尾等复杂特性,固定的分布假设难以准确刻画条件预测分布的真实形状,导致不确定性估计过于粗糙,在动态变化的时序场景下量化精度不足。

4、第二类为基于随机正则化的方法,以蒙特卡洛丢弃法(mc dropout)为代表。其核心机制是在推理阶段保持丢弃操作,通过多次前向传播获取预测分布的统计特征。然而,mcdropout存在一个长期未被解决的缺陷,即对所有输入样本使用固定的丢弃率,无法感知不同样本的难易程度或噪声水平。后续改进方案如concrete dropout在训练阶段学习全局丢弃率,但参数一旦确定,测试时便无法针对具体输入样本动态调整,仍然无法实现样本级的自适应不确定性估计。

5、第三类为基于多模型集成的方法,以深度集成(deep ensembles)为代表。该方法通过训练多个独立模型并聚合其预测分布来估计不确定性,被广泛视为不确定性估计的基准方案。然而,成倍的计算与显存开销使其在边缘设备或实时系统中难以落地。例如,对同一个时序模型需要重复计算多遍并执行结果集成过程,计算效率难以满足系统的实时响应要求。

6、第四类为基于贝叶斯推断的方法。贝叶斯神经网络试图在参数空间引入先验分布并通过变分推断近似后验,但其参数维度远高于输出维度,推理复杂度高、收敛速度慢,不利于大规模时序模型的稳定部署。部分改进方案在推理时通过迭代优化动态调整参数,虽提升了自适应能力,却引入了在线训练式的高延迟机制,违背了实时预测的毫秒级响应需求。

7、更为关键的是,上述各类方法输出的均是单尺度的整体不确定性指标,无法区分长期趋势偏移与短期局部波动这两类不同来源的风险。在时序预测中,长期趋势的不确定性可能源于宏观环境变化,如季节性迁移或设备老化;短期波动的不确定性则与瞬时扰动相关,如突发负荷冲击或传感器噪声。二者对下游控制决策具有截然不同的含义:长期趋势不确定性提示系统需要调整运行策略或规划维护周期,短期波动不确定性则指示当前时刻的预测可信度下降,需要加强实时监控或触发告警。现有方法既缺少一种将预测分布分解为全局趋势成分与局部细节成分的统一数学框架,也缺少一种能够同时引导两类不确定性生成且保持单次前向推理效率的采样机制。

8、综上所述,现有技术中存在以下问题:现有时序预测无法区分长期趋势与短期波动风险、量化精度低、实时性差。

技术实现思路

1、本发明的目的是如何克服现有时序预测无法区分长期趋势与短期波动风险、量化精度低、实时性差的问题。

2、为此,一方面,本发明实施例提供了一种面向时序预测模型的多尺度不确定性量化方法,方法包括以下步骤:

3、获取时序输入数据,对时序输入数据进行特征提取,得到条件变量;

4、针对条件变量,基于预先训练的得分函数估计器和预设的采样策略进行迭代采样,得到多个预测样本;

5、对预测样本进行投影分解,得到每个预测样本在不同时间尺度下的样本分量;

6、根据样本分量计算统计特征,得到多尺度不确定性指标;

7、根据多尺度不确定性指标输出预测结果与风险评估。通过条件扩散概率框架学习条件预测分布的得分函数,并利用迭代采样生成多个预测样本以逼近真实后验分布,进而对样本进行投影分解,并基于多尺度不确定性指标输出预测结果与风险评估,从而在不增加额外模型参数量的情况下,实现了复杂非高斯分布拟合与长短期风险解耦的统一。

8、进一步地,针对条件变量,基于预先训练的得分函数估计器和预设的采样策略进行迭代采样,得到多个预测样本,包括:

9、对预测样本进行初始化;

10、在每次迭代中,将条件变量与当前预测样本输入到得分函数估计器,获取对数梯度近似值;

11、基于对数梯度近似值和预设的采样策略,更新当前预测样本,直至满足迭代终止条件,得到多个预测样本。

12、进一步地,得分函数估计器是预先训练的,预先训练包括:

13、构建前向加噪/去噪过程,在所述前向加噪/去噪过程中,以输入的时序信息为条件变量约束,对历史目标输出样本逐步添加预设强度的高斯噪声,此后去噪并通过特征提取得到输入时序信息的特征;

14、利用加噪/去噪处理样本,以生成式模型处理得到多样化样本,并由此提取得到样本的时序特征;

15、基于所述样本时序特征与所述预设噪声强度的负相关关系,构造所述得分函数估计器的训练目标;

16、将所述训练目标最小化以更新所述条件生成式模型的参数,得到训练完成的得分函数估计器。

17、进一步地,预设的采样策略包括温度退火策略和朗之万动力学更新规则;

18、针对条件变量,基于预先训练的得分函数估计器和预设的采样策略进行迭代采样,得到多个预测样本,包括:

19、依据温度退火策略确定当前迭代步对应的温度参数;

20、基于得分函数估计器输出的对数梯度近似值、温度参数以及朗之万动力学更新规则,计算状态更新步长和随机扰动项;

21、利用状态更新步长和随机扰动项对当前预测样本进行状态更新,使更新后的预测样本分布逼近条件预测后验分布。

22、进一步地,依据温度退火策略确定当前迭代步对应的温度参数,包括:

23、获取初始温度、终止温度以及总迭代步数;

24、根据当前迭代步数在总迭代步数中的比例,计算当前迭代步数对应的温度参数。

25、进一步地,对预测样本进行投影分解,得到每个预测样本在不同时间尺度下的样本分量,包括:

26、构造第一时间尺度投影算子和第二时间尺度投影算子;

27、利用第一时间尺度投影算子对每个预测样本进行投影,提取表征长期趋势特征的第一时间尺度分量;

28、利用第二时间尺度投影算子对每个预测样本进行投影,提取表征短期波动特征的第二时间尺度分量;

29、将第一时间尺度分量和第二时间尺度分量作为不同时间尺度下的样本分量。

30、进一步地,第一时间尺度投影算子和第二时间尺度投影算子分别采用小波变换算子、经验模态分解算子、变分模态分解算子或移动平均滤波算子;

31、当采用小波变换算子时,利用第一时间尺度投影算子对每个预测样本进行投影,提取表征长期趋势特征的第一时间尺度分量,包括:

32、对预测样本进行多层小波分解,得到近似系数和细节系数;

33、将近似系数重构为第一时间尺度分量,并将细节系数重构为第二时间尺度分量。

34、进一步地,根据样本分量计算统计特征,得到多尺度不确定性指标,包括:

35、针对每一个目标时间尺度,获取多个预测样本在目标时间尺度下的目标样本分量;

36、计算多个目标样本分量的均值和协方差矩阵;

37、基于多个目标样本分量的均值确定目标时间尺度下的预测期望值,并基于协方差矩阵确定目标时间尺度下的置信区间和方差指标;

38、将预测期望值、置信区间和方差指标作为目标时间尺度对应的不确定性指标。

39、进一步地,面向时序预测模型的多尺度不确定性量化方法还包括:

40、为不同时间尺度下的样本分量分别构建条件得分函数;

41、采用动态权重将条件得分函数组合为多尺度得分函数;

42、利用多尺度得分函数在迭代采样过程中完成预测样本的状态更新。

43、另一方面,本发明实施例提供了一种面向时序预测模型的多尺度不确定性量化系统,包括:

44、条件编码单元,用于获取时序输入数据,对时序输入数据进行特征提取,得到条件变量;

45、迭代采样单元,用于针对条件变量,基于预先训练的得分函数估计器和预设的采样策略进行迭代采样,得到多个预测样本;

46、多尺度分解单元,用于对预测样本进行投影分解,得到每个预测样本在不同时间尺度下的样本分量;

47、不确定性量化单元,用于根据样本分量计算统计特征,得到多尺度不确定性指标;

48、输出单元,用于根据多尺度不确定性指标输出预测结果与风险评估。

49、上述技术方案具有如下有益效果:

50、本发明通过构建以时序输入为条件的生成式模型,利用得分函数估计器和迭代采样策略生成多个预测样本,能够精确拟合复杂非平稳时序数据的非高斯后验分布,克服了传统方法依赖固定分布假设或高成本多模型集成的缺陷。在此基础上,通过对预测样本进行多时间尺度投影分解,将预测结果分离为表征长期趋势和短期波动的不同分量,并分别计算统计特征,从而在数学上实现了不确定性来源的解耦。这种机制使得系统能够在单次推理流程中同时输出针对不同时间维度的精细化风险指标,既保证了毫秒级的实时响应能力,又为下游控制决策提供了区分宏观趋势偏移与微观瞬时扰动的可靠依据,显著提升了时序系统在复杂环境下的安全性与可解释性。