报告人：蒋锋

时 间：2026-05-26 10:30:00

地 点：L1218

报告摘要：区间预测在众多领域的决策过程中具有重要作用。尽管现有的区间预测方法已取得显著进展，但仍面临诸多挑战，例如数据分布假设、固定区间宽度、基于梯度的优化算法的局限性、上下界交叉以及对多尺度时空模式考虑不足等。为解决这些问题，我们提出了一种多尺度深度区间预测网络（MSDIPN）。具体而言，我们引入了一种多尺度时空自注意力机制，用于捕捉不同空间尺度上的时空依赖关系。此外，我们构建了一个时间自注意力机制模块，用于提取不同滞后相位下历史变量的时间依赖关系。然后，我们设计了一个全局自注意力机制模块，利用残差连接和自注意力机制来解决表示退化问题。为了克服与分布假设、固定区间宽度和交叉问题相关的局限性，我们开发了一个改进的LUBE模块作为输出模块，用于生成时间序列数据的预测区间（PI）。此外，我们设计了一种基于梯度的PI损失函数，通过将平滑逼近函数与弹球损失函数相结合，来解决MSDIPN的优化问题。