概率预测方法太碎片化？这篇综述用统一分类体系打通时间与时空预测，实测发现没有一种范式能通吃所有任务！
Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data
📖 AI 总结
这篇综述聚焦于时间序列与时空数据的概率预测，针对该领域方法在统计建模、机器学习和深度生成模型之间日益碎片化的现状，提出了一套统一的分类框架。作者按照不确定性被引入预测流程的位置与方式，将方法划分为模型无关方法（如集成与无分布校准）和模型内在方法（涵盖贝叶斯建模、参数化预测分布、分布回归及现代生成模型），并探讨了时间序列基础模型这一新兴方向。除方法学梳理外，文章还开展了跨范式实证研究，覆盖单变量、多变量和时空预测任务，结果表明没有任何一种不确定性量化范式能在所有场景中占优，校准度、锐度、预测精度与计算效率往往指向不同的模型偏好，生成模型与零样本基础模型在精度与效率之间也呈现明显差异。文章最后指出了演化依赖结构中的不确定性、物理信息预测分布、极端事件预测以及统一软件资源等未解挑战，为后续研究提供了概念框架与实践路线图。
🔑 关键词速览
| 概率预测 | 不仅给出未来值的点估计，还量化预测不确定性的预测方法。 |
| 时空数据 | 同时具有时间维度和空间维度的数据，如气象、交通等领域的数据。 |
| 深度生成模型 | 利用深度神经网络学习数据分布并生成新样本的模型，如GAN、VAE、扩散模型等。 |
| 时间序列基础模型 | 在大规模时间序列数据上预训练、可迁移到多种下游预测任务的通用模型。 |
| 校准 | 预测分布与真实观测频率一致的程度，是评估概率预测质量的重要指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅