在智能建筑中，负载预测模型通常在高频、多变量的密集数据上进行离线训练，但在实际部署中，可能只会提供每小时、特征有限的输入。这导致缺失特征必须被重构，而重构的误差可能会在模型中传播。如果这种输入不确定性未被考虑，预测区间可能会失去校准，影响需求响应调度。
我们研究了在重构推理输入后，应该将不确定性放置在哪里，并开发了一个统一的一天前概率预测框架，该框架对齐了时间分辨率，重构了不可用的输入，并推导出因果特征。我们比较了一种模块化的后处理残差分位数方案与一种集成的模型内分位数学习方案，使用了三种中型深度学习（DL）主干：递归、混合递归和基于注意力的时间融合变换器（TFT）模型，在相同的输入、预测范围、预处理规则和训练预算下进行。
结果表明，不确定性放置依赖于主干模型。集成的分位数学习在TFT模型上最为可靠，在标记测试窗口内实现了2.2-3.6%的平均绝对百分比误差（MAPE）和28-83W的均方根误差（RMSE），同时产生的区间在最接近名义覆盖水平时比模块化区间窄约5倍。Diebold-Mariano测试支持了TFT的排名以及递归主干的混合表现。重构敏感性测试显示，重构输入使分位数得分（QS）提高了106%，而区间宽度几乎保持不变，表明模型并未自动吸收重构引起的不确定性。针对非深度学习基线和季节性保留周的稳健性检查进一步支持了这一排名。我们的结果揭示了当推理依赖于重构输入时，后处理残差分位数的局限性。
博主点评： 本文深入探讨了智能建筑负载预测中的不确定性问题，提出了一种新颖的框架来处理输入重构带来的不确定性。通过对比不同模型的表现，作者展示了集成学习在处理复杂预测任务中的优势，为未来的研究提供了重要的参考和启示。