文章目录
- ForeSight 5.87.4 多元时间序列预测 — 测试报告
ForeSight 5.87.4 多元时间序列预测 — 测试报告
测试目标：让系统从数据中自动发现变量之间的因果关系和预测模型，不预设任何模型结构。
测试数据：500个时间点的模拟经济数据，包含1个目标变量和2个影响因素。真实规律为：目标值受自身前一天的值、第一个因素前两天的值、第二个因素前一天的值共同影响。
系统行为：系统自主完成了三个阶段的推理——
- 自发搜索并确定了最优模型结构
- 自动优化了模型参数
- 独立识别出变量间的因果传导关系
核心结果：
- 系统成功发现了正确的模型结构
- 关键参数的估计误差在4%以内
- 正确识别了所有强因果关系，排除了不存在的因果链
- 预测准确率达到68%，显著优于随机猜测
意义：系统在没有任何人工预设模型的情况下，从原始数据中自主完成了"模型发现→参数估计→因果推断"的完整科学推理流程。
========================================ForeSight5.87.5 多元时间序列预测 多层DisGas+全扫描+GPP(L1+L2)+推理器========================================真实模型: Y_t=0.7Y_{t-1}+0.3X¹_{t-2}-0.2X²_{t-1}+ ε 阶段1：多层DisGas搜索最优滞后阶数... 迭代0: 最优(y_lag=2,x_lag=2)AIC=-1758.81 迭代20: 最优(y_lag=1,x_lag=2)AIC=-1816.2 迭代40: 最优(y_lag=1,x_lag=2)AIC=-1816.2 系统发现的最优阶数: Y_{t-1..1}, X_{t-1..2}阶段2：GPP连续模式精细优化系数(L1+L2稀疏)... R²=0.68493MSE=0.0297776阶段3：PhysicalSymbolicEngine 因果传导推理... 因果传导关系: Y_{t-1}→ Y_t(β=0.725691)★强因果 X1_{t-1}→ Y_t(γ≈0)✗无因果 X1_{t-2}→ Y_t(γ=0.297911)★强因果 X2_{t-1}→ Y_t(γ=-0.155836)△弱因果 X2_{t-2}→ Y_t(γ=-0.107666)△弱因果 因果子图数:5★多模块因果结构========================================最终结果========================================系统发现: Y_{t-1..1}, X_{t-1..2}R²=0.68493MSE=0.0297776估计系数:0.7257-0.00410.2979-0.1558-0.1077真实系数: β₁=0.7β₂=0.0γ¹₁=0.0γ¹₂=0.3γ²₁=-0.2 γ²₂=0.0========================================
