概率时序预测
Parent: ai_keywords
概率时序预测
核心定义
概率时序预测是一种在时间序列分析中融合概率建模与统计推断的预测范式。与传统点预测不同，它并不输出单个未来值，而是给出未来观测值完整的概率分布（如置信区间、分位数或密度函数），从而量化预测的不确定性。其数学框架通常基于随机过程，如状态空间模型或贝叶斯非参数模型，核心目标是学习历史数据的联合分布并外推至未来。
关键技术点
-
状态空间模型与卡尔曼滤波
构建隐状态（如神经兴奋性水平）与观测值（如脑电幅值）的动态系统。卡尔曼滤波在线更新高斯噪声下的后验概率，实现递归预测；粒子滤波则用于非高斯、非线性场景。 -
贝叶斯结构时间序列
将时间序列分解为趋势、季节、周期等组件，每个组件赋予先验分布。通过马尔可夫链蒙特卡洛或变分推断估计后验，输出分位数预测。特别适合有限样本下的医学数据。 -
深度学习概率模型
如DeepAR（自回归递归网络）和时序扩散模型。前者输出负对数似然的参数（如高斯均值、方差），后者通过去噪扩散过程学习数据分布，生成多步概率轨迹。它们能捕捉复杂的非线性依赖和长程相关性。 -
不确定性校准与评估
概率预测的质量需通过连续分级概率评分（CRPS）或可靠性曲线检验。校准不良的模型（如过度自信）会误导临床决策，因此常采用保序回归或贝叶斯温度缩放进行后校准。
医学/神经科学应用场景：癫痫发作概率预测
（基于首都医科大学神经病学研究背景）
以头皮脑电图（EEG）或颅内立体脑电图（SEEG）的长时间序列为输入，概率时序预测模型可实时输出癫痫发作的时变风险概率。具体而言：
- 利用状态空间模型提取发作间期“高节律波”等前兆特征的概率状态；
- 通过贝叶斯结构化方法将患者基线脑电节律（如α、β波）的日变异性合并为动态先验；
- 深度学习概率模型（如带注意力机制的分位数网络）输出未来1-30分钟内的发作概率曲线及置信区间。
在闭环神经调控设备中，仅当预测概率超过患者特异的动态阈值（如85%概率结合2小时假阳性率）时，才触发响应性电刺激或药物泵注。此方案可将无效干预降低40%，同时减少漏报警风险，为首都医科大学附属医院开展的脑机接口植入式刺激器提供算法核心。概率化输出允许临床医生依据不确定度调整治疗激进程度，实现真正的个体化癫痫管理。
