从海量上下文中识别真正影响目标变量、预测窗口与决策问题的情境，而不是无差别拼接信息。
Definition
为什么需要情境感知预测
同一段历史序列在不同天气、政策、故障、活动或干预条件下可能走向完全不同的未来； 预测模型需要知道系统“处于什么情境”，还要理解情境“如何影响未来”。
研究定位：
将历史数值模式、多源外部情境与系统知识置于同一预测框架中，
形成能够条件化判断、证据化解释、主动更新和多情景推演的时间序列智能模型。
明确情境何时发生、何时可见、影响持续多久，并与历史窗口和未来预测区间严格对齐。
保留来源、证据和作用假设，让情境影响能够被消融、反事实检验或后续观测验证。
事件与日历
天气与环境
文本与新闻
政策与规则
领域知识
系统状态
控制与干预
人类反馈
不只是“多加几个协变量”
情境感知要求模型判断信息是否相关、是否及时、是否可信，以及它通过什么机制改变未来轨迹。
不等于“事后编写解释”
解释需要与预测过程和证据一致，并能通过屏蔽情境、替换条件或回放真实结果进行检验。
Core Capabilities
四类核心能力
四类能力共同回答“看见什么、为何影响、还缺什么、未来可能怎样演化”， 并通过反馈不断更新模型对当前系统的认识。
情境理解
把多源异构上下文转化为与目标序列、预测时点和业务目标一致的情境表示。
- 文本、事件、知识和数值协变量的统一表征
- 实体、变量、时间粒度与预测窗口对齐
- 情境相关性、可靠性与时效性筛选
情境推理
分析情境因素如何改变趋势、周期、波动与转折，形成可追溯的影响假设。
- 情境—状态—未来轨迹的作用路径推理
- 原因解释、证据冲突处理与假设比较
- “如果条件改变会怎样”的反事实判断
情境自主获取
当输入不完整或环境变化时，识别信息缺口并主动寻找最有价值的新证据。
- 判断何时需要检索、工具调用或专家反馈
- 在信息价值、获取成本与预测时限间权衡
- 根据新证据动态修正情境状态与预测结果
情境推演
在不同事件、干预和约束条件下生成多条未来路径，刻画可能性、风险与决策边界。
- 基线、乐观、悲观与干预情景的轨迹生成
- 趋势延续、增强、削弱、偏移与反转判断
- 情景概率、不确定性与关键转折点评估
情境理解→
情境推理→
情境自主获取→
情境推演→
反馈更新
能力闭环：理解 → 推理 → 获取 → 推演 → 反馈更新。
Research Loop
闭环研究架构
预测从数值基线出发，经由情境检索、机制推理和多情景推演， 再利用真实观测与新增证据验证并更新下一轮判断。
数值基线
从历史序列提取趋势、周期、变量依赖与初始不确定性，形成不含外部情境的基准未来。
情境检索与对齐
汇集预测时点可见的事件、环境、文本与知识，并与目标变量和预测窗口对齐。
机制推理
识别关键情境的影响方向、强度、持续时间和相互作用，比较多种作用假设。
多情景推演
在不同条件和干预下生成未来轨迹，量化各情景概率、转折风险与置信区间。
验证与更新
用后续观测检验预测和解释，记录失败模式，并把新证据反馈到下一轮情境状态。
输入
历史序列 + 预测时点可见情境 + 领域知识 + 任务与成本约束
→ 输出条件化预测 + 多情景轨迹 + 证据链 + 不确定性 + 可执行更新建议
↺
Task System
核心研究任务
任务体系同时考察静态给定情境与开放动态环境，避免把情境感知简化为单一数据集上的额外输入。
条件化预测
在明确给定事件、环境或系统状态的条件下，预测未来数值、区间与状态变化。
事件冲击与反事实
判断突发事件的影响，并比较事件发生、取消、提前或延迟时的未来差异。
开放世界情境获取
在上下文不完整时自主确定信息需求、调用来源，并停止于收益不再覆盖成本的时点。
漂移下动态更新
面对情境漂移、制度变化或系统状态切换，在线更新情境判断与未来分布。
多情景轨迹生成
生成相互区分且覆盖主要风险的未来路径，估计情景概率与关键转折窗口。
证据化解释
给出与模型预测一致、可定位到来源、可通过消融或回放验证的情境解释。
Application Settings
典型应用场景
不同领域共享“历史信号 + 动态情境 + 决策约束”的基本结构， 但情境来源、时间尺度、风险容忍度和可用工具各不相同。
能源与电力
天气 · 电价 · 节假日 · 需求响应推演负荷与新能源出力在极端天气、价格调整和调度干预下的变化，服务风险预警与资源配置。
交通与城市
活动 · 事故 · 天气 · 管制策略理解大型活动、突发事故和交通管制对流量、拥堵与出行需求的时空传播影响。
云服务与工业
发布变更 · 故障 · 任务队列 · 设备状态结合业务事件和系统拓扑，预测资源需求、延迟与故障风险，支持扩缩容和维护决策。
医疗健康
治疗干预 · 病程文本 · 生理状态 · 个体差异在明确临床时间线和可用证据边界的前提下，预测患者状态变化并评估不同干预情景。
Protocol & Reliability
评测协议
评测不仅比较点预测误差，还要回答模型是否真正利用情境、推理是否有证据、 主动获取是否值得，以及多情景结果是否校准。
时间边界原则
以预测时点为边界冻结可见情境；预测时点之后才出现的信息一律不可用， 文本、事件和外部数据库均需保存时间戳快照，避免未来信息泄漏。
无情境
仅使用历史数值序列，建立模式拟合基线并测量情境带来的真实增益。
给定情境
提供统一、时点合法的情境输入，评估模型的理解、对齐、推理与利用能力。
自主获取
仅给出可访问来源和预算，评估模型发现信息缺口、选择证据与控制成本的能力。
预测质量
点预测、概率预测、转折检测与长窗口稳定性。
情境利用
相对无情境基线的增益，以及屏蔽、扰动情境后的敏感性。
推理可信度
解释与证据、模型行为和反事实结果的一致程度。
获取效率
单位调用成本、时延或交互轮次带来的预测收益。
推演可靠性
情景覆盖、概率校准、风险召回和分布漂移下的稳健性。
失败也需要被报告：
单独分析无关情境干扰、证据冲突、工具失败、突发事件、跨领域迁移和高风险误判，
明确模型在哪些条件下不应被信任。