《Journal of Engineering Research》：Leakage-Aware Temporal Benchmarking and Uncertainty Analysis for Türkiye’s Transportation Energy Demand
编辑推荐：
研究人员开发了一种泄露感知的机器学习（ML）框架，用于预测土耳其的交通能源需求。时序验证避免了小样本年度数据中随机划分造成的性能高估。共形预测区间量化了2020–2025年保留期的不确定性。出行相关变量和人口统计变量在可解释性结果中占主导地位。政策情景将需求驱
研究人员开发了一种泄露感知的机器学习（ML）框架，用于预测土耳其的交通能源需求。时序验证避免了小样本年度数据中随机划分造成的性能高估。共形预测区间量化了2020–2025年保留期的不确定性。出行相关变量和人口统计变量在可解释性结果中占主导地位。政策情景将需求驱动因素转化为面向转型的预测。
交通能源需求在能源规划中具有核心地位，因为它涉及经济增长、交通流动性、基础设施建设和环境政策的交叉。在土耳其，城市化、货运活动、车辆保有量及城际流动持续增长，且交通部门高度依赖化石燃料，因此准确的交通能源需求预测对燃料供应、交通设施和减排规划具有重要意义。既有研究多基于宏观经济变量和统计模型，但简单外推法难以反映非线性关系；机器学习方法虽能够捕捉复杂模式，但在年度小样本时间序列中，随机划分训练集和测试集可能导致数据泄露，使预测性能被高估。为此，研究人员构建了一个泄露感知的机器学习框架，对土耳其交通能源需求进行时间基准测试和不确定性分析。
该研究发表于《Journal of Engineering Research》。研究人员使用土耳其1975–2025年宏观交通能源数据集（共39个观测值），建立了从数据审计、诊断检验、特征工程到候选模型评估、不确定性量化、可解释性分析及情景预测的完整流程。结果表明，Huber回归在重复截断回测中表现最佳，但严格的前瞻保留期测试显示简单基准模型更稳健；研究强调可靠性导向的模型选择，避免单一算法主导结论。其方法论意义在于为小样本、强趋势、高度共线性的交通能源预测提供了泄露感知的验证范式，并为政策情景分析提供了可复现的工具。
关键技术方法包括：采用扩大窗口回测（expanding-window backtesting）和未来保留期验证以保持时间顺序；构建基线、线性、正则化（Ridge， Elastic Net）、鲁棒（Huber）、K近邻（KNN）、支持向量回归（SVR）、树集成（Extra Trees， Gradient Boosting）、时序堆叠（temporal stacking）、混合残差及概率模型（NGBoost，结构时间序列，分位数梯度提升）等候选集；使用共形预测区间（Conformal Prediction Interval）量化不确定性；采用分组置换重要性和相关性感知的SHAP（SHapley Additive exPlanations）进行可解释性分析；通过1,000次拉丁超立方体抽样（Latin Hypercube Sampling）进行情景敏感性评估。数据源为土耳其宏观统计，包含GDP（当前美元）、人口、吨公里、车辆公里、客运公里和原油价格。
结果部分的主要发现按小标题列出：
描述性与诊断发现：运输能源需求均值16,390.18 ktoe，标准差7,038.55 ktoe；ADF检验显示所有序列非平稳，VIF显示车辆公里和客运公里存在严重多重共线性，因此采用时序验证、滞后特征和正则化模型是合理的。
时序回测结果：基于2014–2019年六个共同三年保留期的重复截断比较，Huber平均RMSE最低（1,215.70 ktoe），平均MASE为1.264，在一倍标准误规则下成为唯一合格的多变量模型；Ridge和时序堆叠平均RMSE分别为2,001.79和2,033.45 ktoe。
未来保留期模型比较：2020–2025年压力测试中，NaiveLastValue的RMSE为1,399.60 ktoe，KNN为1,817.84 ktoe，Ridge为2,778.76 ktoe，时序堆叠为4,073.88 ktoe，Huber为4,587.39 ktoe，所有模型R
2均为负，表明结构突变下模型性能排名逆转。
最终模型预测与不确定性区间：Huber共形区间在80%、90%、95%名义水平下PICP均为0.50，未达标称覆盖率；归一化区间宽度
