控制与决策

作者：孙曦,赵春晖,张皓然

单位：华东交通大学 电气与自动化工程学院，南昌 330013,,华东交通大学 电气与自动化工程学院，南昌 330013;浙江大学 控制科学与工程学院，杭州 310027;浙江大学 工业控制技术全国重点实验室，杭州 310027,,浙江大学 控制科学与工程学院，杭州 310027;浙江大学 工业控制技术全国重点实验室，杭州 310027,

关键词：隐连续性恢复;自监督学习;混合时序预测;高斯核嵌入

基金：江西省自然科学基金项目(20242BAB27003)；国家自然科学基金原创探索项目(62450020)；工业控制技术全国重点实验室浙大专项项目(ICT2025C01)；工业控制技术全国重点实验室项目(ICT2024A06).

受传感器精度、数据存储以及人工标注效率等因素限制, 工业场景中常常使用粗粒度的离散标签替代原本连续的值. 然而, 离散标签通常会造成信息损失, 导致其背后隐含的连续动态过程难以准确建模; 此外, 离散变量与连续变量在分布特性和信息粒度上存在差异, 无法实现统一的预测. 针对上述问题, 提出一种基于隐连续性恢复的粗粒度离散标签混合时序预测方法(CDL-HCR). 首先, 所提出方法通过隐连续性恢复策略, 利用可观测的离散标签推断不可观测的连续变量, 从而实现对原本不可测连续变量的估计. 然后, 结合自监督学习机制, 将恢复得到的隐连续变量与原有连续变量在统一空间中进行特征融合, 以提升混合时序数据的预测精度. 在线应用阶段, 模型可直接输入实时采集的混合数据进行预测. 最后, 在真实的滚筒烘丝过程数据集上验证所提出方法, 验证结果显示其在混合时序数据预测任务中相比于传统方法具有更高的准确性.

来源：2026年第5期

《控制与决策》期刊编辑部

查看控制与决策杂志2026年第5期