基于扩散的情景树生成用于多变量时间序列预测和多阶段随机优化

于红博

摘要: 随机预测对于在不确定性系统中进行有效决策至关重要，例如能源市场和金融市场，在这些市场中，估计未来情景的完整分布是必不可少的。我们提出了扩散情景树（DST），这是一个通用框架，用于利用基于扩散的概率预测模型构建多变量预测任务的情景树。DST通过聚类递归地抽样未来轨迹，并将它们组织成树，确保在每个阶段具有非预测性（决策仅取决于观察到的历史）。我们在纽约州日前电力市场的能源套利优化任务上评估了该框架。实验结果表明，我们的方法始终优于使用来自更传统模型和基于模型无关强化学习基线的情景树的相同优化算法。此外，使用DST进行随机优化可以产生更有效的决策策略，通过更好地处理不确定性而实现更高的性能，这比使用相同基于扩散的预测器的确定性和随机MPC变体更加出色。

更新时间: 2025-09-18 10:49:05

领域: cs.LG,cs.AI,cs.SY,eess.SY,I.2.6; I.5.1

下载: http://arxiv.org/abs/2509.14832v1