面向信息物理系统的带逻辑校准不确定性的预测监控

预测监控——对未来状态进行预测并监控预测状态是否满足需求——为支持信息物理系统（CPS）的决策提供了一种有前景的范式。现有预测监控工作大多聚焦于监控单个预测而非序列预测。我们开发了一种新方法，用于监控由贝叶斯循环神经网络（RNN）生成的序列预测，该方法可捕捉 CPS 中固有的不确定性，其灵感来源于我们对真实世界 CPS 数据集的研究。我们提出一种名为不确定性信号时序逻辑（STL-U）的新逻辑，以监控由贝叶斯 RNN 预测出的包含无限多不确定序列的流管（flowpipe）。我们基于流管中包含的所有或部分序列是否满足需求，定义了 STL-U 的强满足与弱满足语义。我们还开发了计算方法，以确定流管被保证强（弱）满足某 STL-U 公式的置信水平范围。此外，我们提出了利用 STL-U 监控结果来校准贝叶斯 RNN 中不确定性估计的新准则。最后，我们通过真实世界数据集实验与一项模拟智慧城市案例研究评估了所提方法，结果显示基于 STL-U 的预测监控方法优于基线，结果令人鼓舞。