什么样的序列、实例和情境是可预测的？
比较不同区域、尺度、预测窗口与场景，识别稳定规律、误差上下界和不可消除的不确定性。
Five Cognitive Questions
从五个问题组织预测认知
CogCast 围绕五个核心问题展开：先识别可预测边界与困难来源，再判断关键情境及其作用机制， 最后根据任务价值配置恰当的预测智能。
预测困难来自噪声、稀缺样本、机制变化，还是情境缺失？
把“难预测”进一步拆解为可解释、可验证、可干预的原因，而非笼统归结为模型能力不足。
面对大量外部信息，哪些情境真正影响未来？
从气象、日历、事件、政策与领域知识中筛选与目标变量存在真实关联的证据。
情境以何种方向、时滞、持续时间和强度改变未来轨迹？
理解情境不是简单拼接特征，而是分析其影响对象、传导路径、作用窗口与反事实结果。
考虑价值和成本后，应使用多复杂的模型、情境、计算和人工？
根据预测收益、失败代价、响应时限与资源消耗，自适应选择值得投入的智能强度。
Predictability → Causality and Context → Adaptive Intelligence → Decision Utility
Adaptive Predictability Loop
分析、诊断、增强、校准的闭环
四个阶段不是静态流水线。校准结果会回流到下一轮分析与诊断，持续更新可预测性认知、 情境选择和模型配置。
STEP01
可预测性分析
Predictability Analysis什么样的时间序列、区域、尺度、预测窗口和情境更容易被预测？
分析阶段建立任务的可预测性地图，回答不同对象在不同条件下能达到怎样的预测水平。
- 不同城市、区域和聚合尺度的可预测性；
- 不同预测长度下的可预测性；
- 周期性、趋势性、噪声和结构变化的影响；
- 稀缺情境和极端事件下的可预测性；
- 可预测性上界与误差下界；
- 历史相似性与未来可辨识性。
电力负荷示例
- 为什么省级预测比城市级预测更准确？
- 哪些城市在高温时期更难预测？
- 哪些时间段的负荷具有稳定规律？
- 哪些场景存在不可消除的不确定性？
STEP02
可预测性诊断
Predictability Diagnosis当前预测为什么困难？
诊断层不只输出“不确定性高”，而是说明困难来自哪里，并为后续增强策略提供依据。
- 数据噪声与历史样本不足；
- 训练集中缺少类似情境；
- 结构突变与外部事件冲击；
- 原有预测假设失效；
- 多个情境复合作用；
- 预测模型能力不足。
Forecast Difficulty → Cause Attribution
原因归因示例
城市负荷预测困难可能并非模型没有学到日周期，而是持续高温叠加工厂错峰生产， 使居民负荷与工业负荷产生方向相反的变化。
STEP03
可预测性增强
Predictability Enhancement根据困难来源，选择何种有针对性的增强手段？
不是所有困难都用更大的模型解决，而是根据原因自适应调配情境、历史、模型、知识与人工。
- 引入有效情境；
- 检索类似历史事件；
- 选择更合适的时间窗口；
- 切换预测模型；
- 使用大模型进行情境推理；
- 调用领域知识并进行多场景推演；
- 请求专家补充信息。
策略匹配示例
- 历史规律清晰：使用轻量模型；
- 情境变化显著：调用情境推理；
- 新事件无历史样本：调用知识和专家；
- 预测违反物理规律：进行约束校正。
STEP04
可预测性校准
Predictability Calibration增强之后，模型表达的置信程度是否与实际预测风险相匹配？
校准不只是修正点预测，而是检查模型是否过度自信、情境作用是否被夸大，以及风险区间是否可靠。
- 模型是否过度自信；
- 情境影响是否被夸大；
- 是否发生过度修正；
- 预测是否符合时间规律；
- 是否符合知识定律和领域约束；
- 风险区间是否可靠。
Predicted Uncertainty ≈ Actual Forecast Risk
校准目标
对高风险任务，精准预测不仅意味着平均误差低，还意味着模型知道自己什么时候可能出错。
自适应反馈：
真实误差、风险覆盖和决策结果回流到可预测性地图，更新下一轮的原因诊断、情境检索与智能投入。
Credible Forecasting
从“误差更低”走向可信预测
一个可用于真实决策的预测系统，需要同时满足准确性、稳定性和可解释性； 单一平均误差无法完整描述预测质量。
准确性
预测结果是否接近真实未来。这是最基础的要求，但不是唯一要求。 即使平均误差较低，若结果频繁波动、无法解释或置信度失真，仍难以支持真实决策。
- 比较不同时间尺度与预测窗口的误差；
- 分别评估常态、稀缺与极端情境；
- 同时检查点预测、区间与尾部风险。
准确性回答“预测有多接近未来”，但不独立等于可用性。
稳定性
预测应“应稳则稳、应变则变”。稳定不等于曲线平滑，也不意味着对情境变化不敏感。
- 相似历史与相似情境下，结果保持一致；
- 多次运行或不同提示下，结果不会大幅漂移；
- 少量噪声、缺失数据或无关文本不会导致预测崩溃；
- 情境修正幅度与证据强度相匹配；
- 不会因大模型推理随意推翻可靠预测先验。
对无关扰动保持稳定，对真实变化保持敏感。
可解释性
CogCast 的可解释性不是生成一段看似合理的自然语言，而是形成证据驱动的预测解释链。
- 当前预测主要依据哪些历史规律？
- 哪些情境被认为与未来相关？
- 情境影响哪些时间段或序列成分？
- 作用方向、时滞和持续效应是什么？
- 修正了多少，为什么修正这么多？
- 哪些预测区间仍然不确定？
- 结果是否满足领域知识和演化约束？
解释必须能追溯到数据、情境、机制与约束证据。
Decision Utility
预测智能的投入应由价值决定
模型更大、情境更多、推理更长并不自动带来更高价值。CogCast 把预测收益、 风险降低与资源消耗放入同一个效用函数。
How much forecasting intelligence is worthwhile?
考虑价值和成本后，应使用多复杂的模型、情境、计算和人工？
模型复杂度
情境获取量
计算与时延
专家参与度
Decision Utility = Forecast Value + Risk Reduction − Intelligence Cost
自适应配置原则
低风险、规律清晰的任务优先使用轻量路径；高风险、机制突变的任务再升级情境、推理和人工投入。
规律清晰
情境变化
高风险决策