DOI: https://doi.org/10.1016/j.asoc.2025.113825
تاريخ النشر: 2025-09-10
المؤلف: Qingdi Yu وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تقدم ورقة البحث طريقة التنبؤ المتوافق ثنائي الانقسام (DSCP)، التي تتناول التحديات المتعلقة بتنبؤات السلاسل الزمنية متعددة الخطوات، لا سيما في سياق قياس عدم اليقين (UQ). تعاني طرق التنبؤ المتوافق التقليدية (CP) من صعوبة في سيناريوهات متعددة الخطوات بسبب اعتمادها على البيانات في الوقت الحقيقي وقيود قابلية التوسع. تم تصميم طريقة DSCP لالتقاط الاعتماديات الكامنة داخل بيانات السلاسل الزمنية، مما يؤدي إلى تحسينات كبيرة في دقة التنبؤ. تشير النتائج التجريبية إلى أن DSCP تتفوق على المتغيرات الحالية لـ CP بنسبة تصل إلى 23.59% من حيث درجة وينكلر عبر مجموعات بيانات حقيقية متنوعة. بالإضافة إلى ذلك، أدى تطبيقها في توليد الطاقة المتجددة وتنبؤ أحمال تكنولوجيا المعلومات إلى تقليل انبعاثات الكربون بنسبة 11.25% من خلال تحسين عمليات مراكز البيانات.
في الختام، تستخدم طريقة DSCP التجميع العمودي والدمج الأفقي لبناء مجموعات الأخطاء من أجل تحسين قياس عدم اليقين في التنبؤات متعددة الخطوات. ستركز الأبحاث المستقبلية على تحسين هذه العمليات باستخدام نماذج تعلم الآلة المتقدمة، واستكشاف نقل معلومات عدم اليقين عبر المهام ذات الصلة، وتحسين DSCP لمجموعات البيانات الكبيرة والبيئات الموزعة. تهدف هذه المبادرات إلى تعزيز التطبيق العملي لـ DSCP، مما يربط التقدم النظري بالتأثير الواقعي في التنبؤات المدركة لعدم اليقين.
مقدمة
تسلط مقدمة الورقة الضوء على أهمية التنبؤ بالسلاسل الزمنية في تطبيقات متنوعة، مثل جدولة الموارد، وإدارة المخاطر، والتخطيط الاستراتيجي، حيث تكون التنبؤات الدقيقة ضرورية لاتخاذ قرارات مستنيرة. تميز بين التنبؤات ذات الخطوة الواحدة والتنبؤات متعددة الخطوات، مشيرة إلى الاعتماد المتزايد على التنبؤات متعددة الخطوات في السيناريوهات الواقعية. يقدم المؤلفون مساهماتهم، التي تشمل تطوير نهج الانقسام ثنائي الأبعاد لمجموعة الأخطاء (DSCP) لقياس عدم اليقين في التنبؤات متعددة الخطوات. تعزز هذه الطريقة المبتكرة قياس عدم اليقين من خلال فصل معلومات الخطأ ذات التوزيعات المختلفة.
بالإضافة إلى ذلك، قام المؤلفون بتعديل المتغيرات المحسنة من طريقة CP التقليدية لتسهيل مقارنة الأداء مع DSCP، مما يوضح أن DSCP تتفوق على هذه المتغيرات بمتوسط قدره 11.08%، مع تحسين أقصى قدره 23.59%. علاوة على ذلك، طبقوا طريقة DSCP على تطبيق قائم على المسار في العالم الحقيقي في تحسين النظام، محققين تقليلاً متوسطاً قدره 8.05% في انبعاثات الكربون في بيئة مركز بيانات محاكية، مع تقليل ذروة قدره 11.25%. تم هيكلة الورقة لمراجعة الأعمال ذات الصلة، وتفصيل منهجية DSCP، وعرض النتائج التجريبية، ومناقشة التطبيقات العملية في إدارة الطاقة.
طرق
في قسم الطرق، تقدم البحث تحليلاً تجريبياً لاستراتيجيات التصنيف المستخدمة من قبل DSCP (إجراء التصنيف الإحصائي الديناميكي) لبناء فترات التنبؤ. توضح الجدول 2 أداء طرق مختلفة عبر مجموعات بيانات متعددة عند مستويات ثقة 95%، 90%، و85%. تشير النتائج إلى أن DSCP تحقق باستمرار أعلى درجة WS* (الدرجة الموزونة) عبر جميع مجموعات البيانات ومستويات الثقة، مما يوضح قدرتها الفائقة في توليد فترات تنبؤ أضيق وأكثر دقة، كما هو موضح في المنطقة الزرقاء في الشكل 10.
تسمح دقة طريقة DSCP المحسنة لها بالتقاط التقلبات للقيم الحقيقية عبر مجموعات بيانات متنوعة، بما في ذلك الطاقة الشمسية، وسابفلوكس، وأير10، وطاقة الرياح. بالإضافة إلى ذلك، يبرز الجدول 3 تحسينات كبيرة في الأداء، حيث تتجاوز تحسينات WS* 20% في بعض الحالات، مما يبرز قوة استراتيجيات تصنيف DSCP في مهام التنبؤ بالفترات.
النتائج
تظهر نتائج الدراسة فعالية طريقة التنبؤ الديناميكي بالتجمع الذاتي (DSCP) المقترحة في إدارة مجموعات البيانات ذات التوزيعات المتنوعة، لا سيما في سياق الطاقة الشمسية. نجحت طريقة التجميع الذاتي، باستخدام خوارزمية k-means، في تقسيم البيانات إلى مجموعات بناءً على التشابه، مما يقلل من تداخل مصطلحات الخطأ عبر مجموعات فرعية مختلفة. يتم تقييم جودة التجميع باستخدام درجات السيلويت، مما يضمن اختيار المجموعات الأكثر تمثيلاً للتنبؤات اللاحقة. تحسب الطريقة درجات التشابه بين التنبؤات الجديدة والبيانات التاريخية، مما يسمح بتعيينات دقيقة للمجموعات وبناء مجموعات الأخطاء، التي تعتبر ضرورية لتوليد فترات تنبؤ موثوقة.
في الاختبارات التجريبية، تم تقييم DSCP مقابل سيناريو أساسي بدون التنبؤ المتوافق عبر مستويات ثقة مختلفة (α = 0.05، 0.1، 0.15، 0.2). تشير النتائج إلى أن DSCP تقلل بشكل كبير من انبعاثات الكربون، محققة تقليلاً متوسطاً قدره حوالي 8.05% مقارنة بالأساس. ومن الجدير بالذكر أن استراتيجية جدولة First Fit حققت أكبر تحسين، حيث انخفضت الانبعاثات بنسبة تصل إلى 11.25% عند α = 0.1. تؤكد هذه النتائج على قدرة DSCP على تعزيز كفاءة الطاقة وتقليل الأثر البيئي، مما يبرز دورها في تسهيل اتخاذ القرارات التكيفية وتخصيص الموارد المستدامة في الأنظمة المعقدة.
المناقشة
يوفر قسم المناقشة في الورقة نظرة شاملة على المتغيرات المحسنة للتنبؤ المتوافق (CP) المصممة خصيصًا لتنبؤات السلاسل الزمنية. يصنف هذه المتغيرات إلى أربعة نهج رئيسية، مع التركيز على استراتيجياتها الأساسية لتعزيز قياس عدم اليقين (UQ) في البيانات الزمنية. يتم تسليط الضوء على CP كنموذج غير مرتبط بالأساليب التي تولد فترات تنبؤ موثوقة، مما يضمن احتمالًا محددًا لاحتواء القيم الحقيقية، وهو ما يكون مفيدًا بشكل خاص للنماذج المعقدة مثل التعلم العميق. ومع ذلك، فإن تطبيق CP على بيانات السلاسل الزمنية يقدم تحديات بسبب الاعتماديات الزمنية، مما يتطلب تعديلات للحفاظ على الدقة في فترات التنبؤ.
يتناول القسم أيضًا قيود طرق CP التقليدية عند تطبيقها على السلاسل الزمنية، مثل المشكلات المتعلقة بالارتباط الذاتي والتغيرات الديناميكية في خصائص البيانات. لمعالجة هذه التحديات، تم اقتراح طرق CP المحسنة المختلفة، بما في ذلك تحديث مجموعات الأخطاء ديناميكيًا، وضبط مستوى الدلالة $\alpha$، واستخدام الانحدار الكمي، واستخراج مجموعات الأخطاء ذات الصلة بشكل انتقائي. تهدف طريقة التنبؤ المتوافق ثنائي الانقسام (DSCP) المقترحة إلى تعزيز التنبؤات متعددة الخطوات من خلال تنفيذ سير عمل من ثلاث مراحل يتضمن المعايرة، والنشر، والتحديث. تستخدم هذه الطريقة تصنيفًا ثنائي الأبعاد لمصطلحات الخطأ لضمان استخدام معلومات الخطأ ذات الصلة بالسياق فقط، مما يحسن بشكل كبير من موثوقية وقابلية تفسير قياس عدم اليقين في التنبؤات متعددة الخطوات للسلاسل الزمنية. يختتم القسم بتلخيص قدرات DSCP في التعامل مع سيناريوهات البيانات المتنوعة، لا سيما قدرتها الفريدة على إدارة التنبؤات متعددة الخطوات بفعالية.
القيود
يسلط قسم القيود الضوء على أوجه القصور الكبيرة في المتغيرات المحسنة للاحتمالية الشرطية (CP) في التنبؤ بالسلاسل الزمنية. على الرغم من التقدم، تكافح هذه الطرق مع التوزيعات المعقدة للبيانات والتغيرات الديناميكية في عدم اليقين. إحدى القضايا الرئيسية هي الاستخدام المختلط لمصطلح الخطأ $\xi$ عبر مجموعات بيانات مختلفة، والتي غالبًا ما تمتلك توزيعات متميزة. يمكن أن تؤدي هذه الدمج إلى توقعات غير دقيقة لأنها تفشل في احترام الخصائص الفريدة لكل مجموعة فرعية.
بالإضافة إلى ذلك، تتجاهل المتغيرات المحسنة لـ CP عمومًا التغيرات في عدم اليقين التي تحدث ضمن خطوات زمنية مختلفة من التنبؤ. تميل إلى معالجة التنبؤ بالكامل كنافذة واحدة، مما يمكن أن يخفي الفروق الدقيقة في عدم اليقين التي قد توجد بين خطوات زمنية متجاورة. بينما تحاول بعض الأساليب التخفيف من ذلك من خلال اعتبار كل خطوة زمنية على حدة، فإنها تتجاهل الاتساق المحتمل في توزيعات عدم اليقين، مما يقلل من البيانات الإحصائية المتاحة داخل كل نافذة. يمكن أن يؤثر هذا الانخفاض سلبًا على فعالية CP كطريقة للتنبؤ الإحصائي.
DOI: https://doi.org/10.1016/j.asoc.2025.113825
Publication Date: 2025-09-10
Author(s): Qingdi Yu et al.
Primary Topic: Forecasting Techniques and Applications
Overview
The research paper introduces the Dual-Splitting Conformal Prediction (DSCP) method, addressing the challenges of multi-step time series forecasting, particularly in the context of uncertainty quantification (UQ). Traditional Conformal Prediction (CP) methods, while effective for single-step predictions, struggle with multi-step scenarios due to their dependence on real-time data and scalability limitations. The DSCP method is designed to capture the inherent dependencies within time-series data, leading to significant improvements in forecasting accuracy. Experimental results indicate that DSCP outperforms existing CP variants by up to 23.59% in terms of the Winkler Score across various real-world datasets. Additionally, its application in renewable energy generation and IT load forecasting has resulted in an 11.25% reduction in carbon emissions through optimized data center operations.
In conclusion, the DSCP method employs vertical clustering and horizontal merging to construct error sets for enhanced uncertainty quantification in multi-step forecasting. Future research will focus on refining these processes with advanced machine learning models, exploring the transfer of uncertainty information across related tasks, and optimizing DSCP for large-scale datasets and distributed environments. These initiatives aim to strengthen the practical applicability of DSCP, bridging theoretical advancements with real-world impact in uncertainty-aware forecasting.
Introduction
The introduction of the paper highlights the significance of time series forecasting in various applications, such as resource scheduling, risk management, and strategic planning, where accurate predictions are vital for informed decision-making. It distinguishes between single-step and multi-step forecasting, noting the increasing reliance on multi-step predictions in real-world scenarios. The authors present their contributions, which include the development of the Dual-dimensional Split of the Error Set (DSCP) approach for measuring uncertainty in multi-step forecasting. This innovative method enhances uncertainty quantification by separating error information with different distributions.
Additionally, the authors modified improved variants of the conventional CP method to facilitate a performance comparison with DSCP, demonstrating that DSCP outperforms these variants by an average of 11.08%, with a maximum improvement of 23.59%. Furthermore, they applied the DSCP method to a real-world trajectory-based application in system optimization, achieving an average reduction of 8.05% in carbon emissions in a simulated data center environment, with a peak reduction of 11.25%. The paper is structured to review related work, detail the DSCP methodology, present experimental results, and discuss practical applications in energy management.
Methods
In the section on methods, the research presents an experimental analysis of the classification strategies employed by the DSCP (Dynamic Statistical Classification Procedure) for constructing prediction intervals. Table 2 illustrates the performance of various methods across multiple datasets at confidence levels of 95%, 90%, and 85%. The results indicate that DSCP consistently achieves the highest WS* (Weighted Score) across all datasets and confidence levels, demonstrating its superior capability in generating narrower and more accurate prediction intervals, as depicted by the blue region in Figure 10.
The DSCP method’s enhanced accuracy allows it to effectively capture the fluctuations of true values across diverse datasets, including Solar Power, Sapflux, Air10, and Wind Power. Additionally, Table 3 highlights significant performance improvements, with WS* enhancements surpassing 20% in certain instances, underscoring the robustness of DSCP’s classification strategies in interval prediction tasks.
Results
The results of the study demonstrate the effectiveness of the proposed Dynamic Self-Clustering Prediction (DSCP) method in managing datasets with diverse distributions, particularly in the context of solar energy. The self-clustering method, utilizing the k-means algorithm, successfully partitions the data into clusters based on similarity, thereby mitigating the interference of error terms across different subsets. The clustering quality is assessed using silhouette scores, ensuring that the most representative clusters are selected for subsequent predictions. The method calculates similarity scores between new predictions and historical data, allowing for accurate cluster assignments and the construction of error subsets, which are crucial for generating reliable prediction intervals.
In empirical tests, DSCP was evaluated against a baseline scenario without conformal prediction across various confidence levels (α = 0.05, 0.1, 0.15, 0.2). The findings indicate that DSCP significantly reduces carbon emissions, achieving an average reduction of approximately 8.05% compared to the baseline. Notably, the First Fit scheduling strategy yielded the most substantial improvement, with emissions decreasing by up to 11.25% at α = 0.1. These results underscore DSCP’s potential to enhance energy efficiency and reduce environmental impact, highlighting its role in facilitating adaptive decision-making and sustainable resource allocation in complex systems.
Discussion
The discussion section of the paper provides a comprehensive overview of improved conformal prediction (CP) variants tailored for time series forecasting. It categorizes these variants into four main approaches, emphasizing their core strategies for enhancing uncertainty quantification (UQ) in time-dependent data. CP is highlighted as a model-agnostic framework that generates reliable prediction intervals, ensuring a specified probability of containing true values, which is particularly beneficial for complex models like deep learning. However, the application of CP to time series data introduces challenges due to temporal dependencies, necessitating adaptations to maintain accuracy in prediction intervals.
The section further details the limitations of traditional CP methods when applied to time series, such as issues with autocorrelation and dynamic changes in data characteristics. To address these challenges, various improved CP methods have been proposed, including dynamically updating error sets, adjusting the significance level $\alpha$, employing quantile regression, and selectively extracting relevant error subsets. The proposed Dual-Splitting Conformal Prediction (DSCP) method aims to enhance multi-step forecasting by implementing a three-stage workflow that includes calibration, deployment, and updating. This method utilizes dual-dimensional classification of error terms to ensure that only contextually relevant error information is used, significantly improving the reliability and interpretability of uncertainty quantification in multi-step time series forecasting. The section concludes by summarizing the capabilities of DSCP in handling diverse data scenarios, particularly its unique ability to manage multi-step forecasting effectively.
Limitations
The section on limitations highlights significant shortcomings of improved Conditional Probability (CP) variants in time series forecasting. Despite advancements, these methods struggle with complex data distributions and dynamic uncertainty variations. One major issue is the mixed use of the error term $\xi$ across different data subsets, which often possess distinct distributions. This amalgamation can lead to inaccurate predictions as it fails to respect the unique characteristics of each subset.
Additionally, the improved CP variants generally overlook the variations in uncertainty that occur within different time steps of a prediction. They tend to treat the entire prediction as a single window, which can mask the nuances of uncertainty that may exist between adjacent time steps. While some approaches attempt to mitigate this by considering each time step individually, they neglect the potential consistency in uncertainty distributions, thereby reducing the statistical data available within each window. This reduction can adversely affect the efficacy of CP as a statistical forecasting method.