仿真元建模中的预测区间

仿真元建模是指利用少量仿真运行构建低保真模型来表示输入输出关系。基于高斯过程的随机克里金是一种用于此类任务的通用且常见技术。然而，该方法依赖特定的模型假设，并可能遇到可扩展性挑战。在本文中，我们研究了一种替代的元建模方法，使用预测区间来捕获仿真输出的不确定性。我们将元建模任务构建为一个经验约束优化框架，以训练达到准确预测覆盖率和窄宽度的预测区间。我们专门使用神经网络来表示这些区间，并讨论近似求解该优化问题的方法。我们还提出了保形预测工具的适配方案，作为构建元建模预测区间的另一种方法。最后，我们提出了一种验证机制，并展示了我们的方法如何享有预测性能的分布无关有限样本保证。我们通过数值算例展示并将我们提出的方法与包括随机克里金在内的现有方法进行比较。