通过诊断性传递图实现稀有事件可信预测分布

科学与技术领域的预测系统正趋向于超越点预测，转而提供未来结果 $y$ 的完整预测分布，其中条件于高维复杂的输入序列 $x$。然而，即使预测系统提供完整的预测分布，结果也很少针对所有 $x$ 和 $y$ 进行校准。估计的密度在低频或超出分布的情形下尤其不可靠，在这些情形下，对准确的不确定性量化和人类专家验证结果的手段最为重要，以建立对模型信任的基础。本文首先将给定的初始预测分布视为一个有用但可能不准确的基模型。随后，我们引入诊断性传递图，这类协变量依赖的概率-概率映射，量化基模型的概率应如何调整以更好地匹配校准数据中条件分布的真实分布。在部署时，这些图提供了用户实时本地诊断，揭示模型何处失效以及失效方式（包括偏差、离散程度、偏斜和尾部误差），同时通过与基模型简单组合，生成经过校准的预测分布。我们将诊断性传递图应用于短期热带气旋强度预测，结果表明易拟合的参数化版本识别了与局部不校准相关的演化模式，并在包括 24 小时快速强度变化在内的稀有事件上显著优于国家气象中心的运营预测提升了预测性能。