让专家感受不确定性：基于多专家标签分布的概率时间序列预测
机器学习
2026-02-05 v1 人工智能
摘要
现实世界的时间序列预测需要高预测精度和可解释的不确定性量化。传统的点预测方法往往无法捕捉时间序列数据固有的不确定性，而现有的概率方法在计算效率和可解释性之间难以取得平衡。我们提出一种新型多专家学习标签分布（LDL）框架，通过具有分布式学习能力的混合专家架构来解决这些挑战。我们的方法引入两种互补方法：（1）Multi-Expert LDL，采用多个具有不同学习参数的专家来捕捉多样化的时序模式；（2）Pattern-Aware LDL-MoE， 通过专门的子专家显式分解时间序列为可解释组件（趋势、季节性、断点、波动性）。两种框架都将传统点预测扩展为分布式学习，使通过最大均值偏差（MMD）实现丰富的不确定性量化。我们在由 M5 数据集派生的聚合销售数据上对方法进行评估，结果表明我们的方法在基线方法之上表现出色。连续的 Multi-Expert LDL 实现了最佳整体性能，而 Pattern-Aware LDL-MoE 通过组件级分析提供了增强的可解释性。我们的框架成功地在预测精度和可解释性之间取得平衡，使其适用于两者兼具性能和可操作见解的实际预测应用。
引用
@article{arxiv.2602.04678,
title = {Let Experts Feel Uncertainty: A Multi-Expert Label Distribution Approach to Probabilistic Time Series Forecasting},
author = {Zhen Zhou and Zhirui Wang and Qi Hong and Yunyang Shi and Ziyuan Gu and Zhiyuan Liu},
journal= {arXiv preprint arXiv:2602.04678},
year = {2026}
}
备注
11 pages, 2figures