通过基础模型对图上的能量时间序列进行关系和顺序共形推理

准确的能源需求预测对于现代可持续能源系统的可靠运行和规划至关重要。时空图神经网络（STGNN）最近通过联合建模互连能量节点的时间动态和关系依赖性，在点预测方面取得了强大的性能。然而，在现实世界的能源系统中，仅靠准确的点预测是不够的，因为运营商还需要可靠的不确定性估计来支持风险意识决策、电网稳定性和不确定性下的运营规划。共形预测为不确定性量化提供了一个原则性的、与模型无关的框架，并具有统计覆盖范围保证，这使其对于安全关键型能源应用特别有吸引力。然而，现有的共形预测方法往往无法完全捕捉能源系统复杂的时空结构。为了解决这些限制，我们提出了 STOIC（具有上下文学习的时空图共形预测），这是一种新颖的框架，它将基于图的预测与表格基础模型的零样本校准功能集成在一起。 STOIC 首先使用 STGNN 生成点预测，然后将时空残差重新表述为适合上下文学习的表格表示。利用表格基础模型，STOIC 无需针对特定任务进行再训练即可校准预测间隔，从而有效捕获顺序依赖性和关系依赖性。我们根据五个不同的基准评估 STOIC，包括综合模拟以及现实世界的电力和区域供热网络。在所有数据集中，STOIC 始终优于现有的共形预测基线，为复杂的图结构能源时间序列提供更可靠、更稳健的不确定性估计。