基于概率预测的时间序列不确定性量化研究综述.docVIP

基于概率预测的时间序列不确定性量化研究综述

时间序列不确定性量化作为数据科学领域的核心研究方向，其发展历程始终与工业生产、金融风控、气象预报等应用场景的需求深度绑定。传统确定性时间序列预测方法仅输出单点预测值，无法刻画预测结果的波动范围与概率分布，在应对极端事件、高风险决策场景时存在明显局限性。随着复杂系统建模需求的持续提升，基于概率预测的不确定性量化技术逐渐成为领域研究热点，该类方法通过输出预测目标的条件概率分布或分位数区间，能够为决策提供更全面的风险信息，有效弥补了确定性预测的不足。

时间序列不确定性的来源与分类

时间序列数据的不确定性本质上是现实世界随机特性与观测系统局限性共同作用的结果，可从产生机制层面划分为三大类。第一类是固有随机性，也被称为aleatoric不确定性，源于时间序列本身的随机波动特性，例如金融市场中受供需关系、政策变动、投资者情绪等多重因素共同影响的股价波动，气象系统中混沌效应导致的极端降水事件发生概率，这类不确定性是数据本身固有的属性，无法通过增加观测数据或优化模型结构完全消除。第二类是认知不确定性，也称为epistemic不确定性，主要由模型结构假设偏差、训练数据不足、参数估计误差等因素导致，例如在使用ARIMA模型拟合非线性时间序列时，模型线性假设带来的预测偏差，小样本场景下深度学习模型参数未充分收敛导致的预测结果波动，这类不确定性理论上