文章信息：

蒋锋, 吴波，温世平，田天海：《MSDIPN: Multi-Scale Deep Interval Prediction Network for Multivariate Time Series》，载于《IEEE Transactions on Knowledge and Data Engineering》Volume: 37 Issue: 9 Page: 5452 - 5466。

成果简介：

时间序列区间预测在众多领域的决策过程中均具有至关重要的作用。尽管现有区间预测方法已取得显著进展，但仍面临诸多挑战，例如数据分布假设、固定区间宽度、基于梯度的优化的局限性、上下界交叉问题以及对多尺度时空模式考虑不足等。为解决这些问题，本文提出一种多尺度深度区间预测网络（MSDIPN）。本研究的主要贡献如下：

1. 提出了一种基于梯度的新型多尺度深度区间预测网络，用于多元时间序列的区间预测，能够学习复杂特征并生成高质量预测区间。

2. 提出了三种注意力机制模块（MSTAM、TAM和G-AM）以捕捉不同尺度下的时空依赖关系、不同滞后期的时间依赖性以及全局时间依赖性。

3. 设计了一种新型的LUBE框架作为输出模块直接输出非交叉的时间序列预测区间。

4. 将平滑近似函数与Pinball损失函数进行结合，设计了一个基于梯度的区间损失函数用于解决MSDIPN参数优化问题。

主要完成人简介：

蒋锋，米兰电竞·(中国区)统计与数学学院教授、博士生导师，主要研究领域包括机器学习，神经网络及其应用、智能优化算法和政策评估等。主持国家自然科学基金项目、教育部人文社科项目、湖北省自科项目、湖北省社科项目等多项。已在《中国科学》《系统工程理论与实践》《IEEE Transactions on Knowledge and Data Engineering》《Knowledge-Based Systems》《Energy》《Applied Soft Computing》等国内外高水平学术期刊发表学术论文80余篇，出版学术专著2部，获2025年度湖北省自然科学奖三等奖。

吴波，米兰电竞·(中国区)统计与数学学院，博士研究生，主要研究方向为深度学习及其应用。已在《中国环境科学》、《长江流域资源与环境》、《IEEE Transactions on Knowledge and Data Engineering》和《Physica A: Statistical Mechanics and its Applications》等国内外高水平期刊发表文章多篇。