基于区间二型神经模糊系统的可解释不确定性量化用于污水处理能耗预测
人工智能
2026-01-28 v1 机器学习
摘要
污水处理厂消耗全球 1-3% 的电力，这使得准确的能耗预测对于运营优化和可持续性至关重要。虽然机器学习模型能提供点预测，但它们缺乏对安全关键基础设施中风险感知决策至关重要的可解释不确定性量化。本研究开发了一种区间二型自适应神经模糊推理系统（IT2-ANFIS），该系统通过模糊规则结构生成可解释的预测区间。与黑箱概率方法不同，所提出的框架在三个层面上分解不确定性：特征层面，不确定性足迹识别哪些变量引入模糊性；规则层面分析揭示局部模型的置信度；实例层面区间量化整体预测不确定性。在墨尔本水务局东部污水处理厂数据集上验证，IT2-ANFIS 取得了与一阶 ANFIS 相当的性能，同时显著降低了多次训练运行间的方差，并提供了可解释的不确定性估计，将预测置信度直接与操作条件和输入变量联系起来。
引用
@article{arxiv.2601.18897,
title = {Explainable Uncertainty Quantification for Wastewater Treatment Energy Prediction via Interval Type-2 Neuro-Fuzzy System},
author = {Qusai Khaled and Bahjat Mallak and Uzay Kaymak and Laura Genga},
journal= {arXiv preprint arXiv:2601.18897},
year = {2026}
}
备注
Submitted to 21st International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems (IPMU2026)