针对非平稳数据的自适应时间序列建模算法

非平稳时间序列对传统的预测系统构成挑战，因为它们的基础分布在时间上不断漂移、波动和重组。为了解决这个问题，我们提出了一种自适应建模框架，通过模糊和不确定性感知的视角来解释时间演变。该方法将每个观测值嵌入模糊隶属表示中，使系统能够量化学习到的时间模式的局部偏差。这些隶属关系通过贝叶斯信念传播机制进行整合，该机制通过递归跟踪不断演变的时间结构来稳定预测。一个基于熵的自适应策略进一步调节更新强度，使模型能够迅速对真正的体制变化做出反应，同时避免对短暂噪声的过拟合。在多个非平稳数据集上的评估表明，所提出的框架始终提高了预测一致性，减少了漂移引起的方差，并在动态变化下增强了鲁棒性。结果表明，明确建模分布模糊性，而不是假设平稳性，为动态现实环境中的可靠预测提供了一个有原则的途径。