DSPR：用于可信 industrial 时间序列预测的双流物理残差网络

工业时间序列的准确预测需要在非平稳运行条件下平衡预测准确性与物理可行性。现有数据驱动模型常在统计性能方面表现突出，但在尊重现实系统中固有的制度相关互动结构和输运延迟方面存在挑战。为此，我们提出了 DSPR（Dual-Stream Physics-Residual Networks），一种显式解耦稳定时间模式与制度相关残差动力学的预测框架。第一个流建模单个变量的统计时间演化。第二个流通过两个关键机制聚焦于残差动力学：适应性窗口模块估计流依赖的输运延迟，以及物理引导的动态图将物理先验纳入以学习时变互动结构的同时抑制伪相关。涵盖异构制度的四个工业基准实验表明，DSPR 在制度迁移下持续提高预测准确率和鲁棒性，同时保持强大的物理可行性。它实现了最先进的预测性能，平均守恒准确率超过 99%，总变异比最高达 97.2%。除预测外，所学习的互动结构和自适应滞后提供了与已知领域机制（如流依赖输运延迟和风力-功率比例关系）一致的可解释性洞见。这些结果表明，具备物理一致归纳偏置的架构解耦是通向可信 industrial 时间序列预测的有效路径。此外，DSPR 在长期工业部署中的稳健性能桥接了先进预测模型与可信自主控制系统之间的鸿沟。