场景理解
将调度、运维和容量规划目标转成预测窗口、时间粒度、评价指标与业务约束。
研究地图
应用研究的目标不是把公开数据集上的模型指标直接搬到真实场景，而是把业务机制、外部变量、工程约束和模型能力放在同一个研发闭环中评估。 因此，页面按“场景问题、方法路径、系统支撑”组织，展示课题组如何将时间序列预测方法落到可复用的应用研究流程中。
Problem
真实预测问题
面对周期变化、突发波动、外生因素和容量约束，先明确预测任务服务的调度、规划或运维目标。
Method
场景化建模路径
围绕数据诊断、多源变量接入、模型组合和误差分析，形成可以随场景调整的研究流程。
System
CastClaw 系统
用智能体框架承载实验编排、工具调用、预测复盘和经验沉淀，让一次性实验逐步变成可复用能力。
应用研究场景
将城市、气象与负荷曲线放进同一张分析视图，突出周期结构与调度需求。
面向城市级与区域级用电需求预测
聚焦负荷曲线中的强周期性、节假日扰动、天气影响与突发变化， 支撑调度规划、峰谷平衡与需求侧响应等关键任务。
天气感知
节假日效应
多尺度周期
负荷调度
问题峰谷变化和异常天气会破坏稳定周期，单纯历史外推难以支撑高峰调度。
方法结合日历、气象和多粒度负荷特征，分析短期波动与长期季节结构。
价值服务负荷预案、资源调度和需求响应策略，降低高峰运行风险。
围绕风电与光伏出力波动，连接天气场、功率区间和爬坡事件。
面向光伏与风电出力的波动预测
针对新能源出力的间歇性、爬坡事件与气象耦合问题， 关注多源观测融合、短临波动刻画与不确定性建模。
光伏预测
风电预测
气象耦合
不确定性
问题风速、云量和辐照变化带来强随机性，输出功率存在明显爬坡和短临突变。
方法融合气象观测、出力曲线和不确定性估计，刻画波动区间和异常事件。
价值支撑新能源并网、备用容量配置和短临调度，提升电力系统韧性。
把服务流量、资源池和告警波动关联起来，强调容量规划与弹性伸缩。
面向云资源调度与容量规划的流量预测
围绕流量突发、业务周期变化与资源成本约束， 探索支持弹性伸缩、容量预算和服务稳定性的预测策略。
弹性伸缩
流量突发
容量规划
成本约束
问题业务活动和用户行为会造成非平稳流量，资源过配与欠配都会带来成本或稳定性问题。
方法识别业务周期、突发窗口和资源使用关系，建立面向容量决策的预测视图。
价值辅助弹性伸缩、容量预算和告警前置，减少服务抖动与资源浪费。
研究流程
面向真实场景的预测研究通常需要多轮迭代。我们将流程拆成四个可复用阶段，让每一次应用研究都能留下数据诊断、模型实验和业务解释资产。
任务界定
明确预测对象、时间粒度、预测窗口、评估指标和业务决策场景，避免模型目标与应用目标脱节。
数据诊断
检查缺失、异常、周期、漂移和外生变量，先理解序列结构，再决定特征与模型路线。
实验编排
组合统计模型、深度模型和场景特征，形成可比较的实验矩阵，并保留关键人工确认节点。
结果沉淀
将误差模式、可解释结论和可迁移策略整理成文档与 Skill，支持后续场景快速复用。
时序预测智能体 CastClaw
从场景问题到系统闭环
先理解问题，再建模
围绕数据粒度、周期结构、外生变量和业务约束，先做任务诊断，再决定建模路线。
把结构与语义同时接入
结合数值序列、气象信息、业务上下文和场景先验，提高模型对真实环境的感知能力。
保留关键判断节点
在模型选择、实验切换和结果审阅等关键环节引入研究者判断，避免盲目自动化。
让研发过程能够复用
把场景经验、策略模板和执行流程固化为长期资产，支持后续任务快速迁移与扩展。