来自Fermi-LAT光变曲线的γ射线耀变体耀斑提前预警：严格因果的机器学习回溯测试

长期的Fermi-LAT监测使得我们有可能询问，在耀斑变得明显于γ射线发射之前，耀变体光变曲线是否显示出即将发生耀斑的迹象。我们提出了一个严格因果的机器学习框架，用于从3天分箱的LAT光变曲线预测γ射线耀变体耀斑。耀斑区间通过贝叶斯块识别，每条光变曲线用365天滑动窗口采样，从中测量42个变异性特征。我们分别训练WATCH和TRIGGER模型：WATCH预测未来90天内是否会出现耀斑活动，而TRIGGER预测未来45天内是否会发生新的耀斑爆发。为避免时间泄漏，所有缩放、校准、阈值选择和验证仅使用MJD 60000之前的截止前数据。我们将该方法应用于FSRQ 4FGL J1048.4+7143，使用13个明亮耀变体作为辅助训练源。在逻辑回归、多项式逻辑回归和随机森林分类器中，多项式逻辑回归在保留的WATCH集上表现最强，ROC AUC = 0.891，平均精度 = 0.396，块置换概率$p_{\rm perm}=0.006$。在选定的WATCH阈值下，它恢复了保留WATCH集中21个正窗口中的18个，召回率为0.86。同一模型在保留的TRIGGER排序中也表现最佳，TRIGGER AUC = 0.770，TRIGGER AP = 0.123，尽管未获得可靠的爆发前TRIGGER警报。WATCH状态在两个保留的耀斑事件之前出现，最终警报在爆发前4.5天和2.5天。相应的更广泛的WATCH活跃期在耀斑爆发前88.5天和72.5天开始。这些结果表明，长期的Fermi光变曲线包含关于耀变体耀斑积累过程的有用预测信息。