基于JEPA嵌入的潜在扩散用于保形时间序列填洞

时间序列填补的生成模型在重建精度方面取得了良好成绩，但缺乏有限样本的可靠性保证，这在电力系统中尤为关键，后者依赖填补的值来指导调度和规划。我们引入SPLICE（Self-supervised Predictive Latent Inpainting with Conformal Envelopes），一个模块化框架，将潜在生成填补与分布无关、在线自适应预测区间相耦合。JEPA编码器将每日负荷片段映射到64维潜在空间；条件潜在桥梁以四种采样模式生成候选缺口轨迹；小时条件解码器将其映射回信号空间；Adaptive Conformal Inference（ACI）为输出提供覆盖保证的预测带。flow-matching变体在5-10个ODE步骤中实现了与DDIM相当的质量（实现5-10倍加速）。在十三个负荷数据集（九个专有数据、三个UCI Electricity、ETTh1）上，SPLICE实现了最低的平均Load-only均方误差（0.056），在91天缺口的12个非平凡数据集中获胜9/12，在所有缺口长度中获胜18/32，而在CRPS指标上实现最佳值（0.161，比最强竞争者低18.3%）。ACI实现93-95%的经验覆盖率，纠正了使用静态保形预测时观察到的最高达7.5个百分点的欠覆盖失效。一个在九个进给上训练的汇聚JEPA编码器可迁移到四个不可见领域，通过快速桥梁微调即可匹配或超过每个数据集的专家。