边缘化而非插补：基于不完整数据的风电功率概率预测

机器学习方法已广泛且成功地应用于风电功率概率预测，然而缺失值（例如由于传感器故障或通信中断引起）这一普遍问题受到的关注有限。现行的做法是“先插补后预测”，但基于点插补进行条件化会偏差参数估计，且未能传播来自缺失特征的不确定性。我们的方法统一处理缺失特征和预测目标：我们从不完整数据中学习特征和目标的联合生成模型，并在实际部署时，以观测到的特征为条件，对未观测到的特征进行边缘化以生成预测。这种无插补过程避免了由插补引入的误差，并保留了由缺失特征引起的不确定性。实验表明，相对于“先插补后预测”的基线方法，该方法在连续排序概率得分方面提高了预测质量，同时计算成本远低于常见的替代方案。