⚡ electrical engineering

Diffusion-Based Scenario Tree Generation for Multivariate Time Series Prediction and Multistage Stochastic Optimization

Este artículo presenta el marco Diffusion Scenario Tree (DST), un método basado en difusión que genera árboles de escenarios para series temporales multivariadas, mejorando significativamente la toma de decisiones en optimización estocástica y control predictivo de modelos (MPC) en mercados energéticos en comparación con enfoques tradicionales y de aprendizaje por refuerzo.

Autores originales: Stelios Zarifis, Ioannis Kordonis, Petros Maragos

Publicado 2026-02-16

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Stelios Zarifis, Ioannis Kordonis, Petros Maragos

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes que tomar una decisión muy importante hoy, como decidir si comprar o vender electricidad para tu batería, pero el futuro es como un bosque brumoso. No puedes ver el camino completo, solo lo que hay justo frente a ti. Si te equivocas, podrías perder mucho dinero.

Este paper presenta una nueva herramienta llamada DST (Árbol de Escenarios de Difusión) que actúa como un "mapa mágico" para navegar ese bosque brumoso. Aquí te explico cómo funciona usando analogías sencillas:

1. El Problema: Adivinar el Futuro en un Bosque

En el mundo real (como en los mercados de energía), el futuro no es una línea recta. Es como si el camino se dividiera en muchas veredas diferentes cada día.

Los métodos viejos (como VAR o LSTM): Son como un guía turístico que solo te dice: "Mañana hará sol". Te da una sola predicción. Pero si mañana llueve de repente, tu plan falla porque no consideró la posibilidad de la lluvia.
El problema: Necesitas saber no solo lo más probable, sino todas las posibilidades: ¿Qué pasa si el precio sube mucho? ¿Y si cae en picada? ¿Y si se queda igual?

2. La Solución: El Árbol de Escenarios (DST)

Los autores crearon un sistema que no solo te da una predicción, sino que dibuja un árbol gigante de todos los caminos posibles que podría tomar el futuro.

La "Difusión" (El Motor Mágico): Imagina que tienes un artista muy talentoso (un modelo de IA llamado TimeGrad) que puede imaginar cómo será el clima mañana. Este artista no solo dibuja un día soleado; imagina cientos de versiones diferentes de mañana (lluvioso, nublado, tormentoso, soleado).
El Árbol (La Estructura): En lugar de tener esos cientos de dibujos desordenados en el suelo, el DST los organiza.
- Raíz: Hoy.
- Ramas: Mañana, el futuro se divide en 3 caminos principales (ej. precio bajo, medio, alto).
- Sub-ramas: Pasado mañana, cada uno de esos caminos se divide de nuevo en más posibilidades.

3. La Regla de Oro: "No Adivinar el Futuro" (No Anticipación)

Esta es la parte más inteligente del sistema. Imagina que estás jugando un juego de mesa donde no puedes ver las cartas que saldrán en la siguiente ronda.

El sistema asegura que, cuando tomes una decisión en una rama del árbol, solo uses la información que ya tienes.
Si dos caminos del árbol se parecen mucho hasta ahora, el sistema te dice: "Toma la misma decisión para ambos". Solo cuando el camino se bifurca claramente (ej. uno sube y el otro baja), tomas decisiones diferentes. Esto evita que tomes decisiones "mágicas" basadas en información que aún no existe.

4. ¿Para qué sirve esto? (El Ejemplo de la Batería)

Los autores probaron esto en el mercado eléctrico de Nueva York con una batería gigante.

Sin el árbol: La batería compra o vende basándose en una sola predicción. Si el precio cambia de forma inesperada, pierde dinero.
Con el árbol (DST): La batería "simula" miles de futuros posibles antes de actuar.
- "Si el precio sube, vendo. Si baja, compro. Si se mantiene, espero."
- Al ver todas las ramas del árbol, la batería encuentra el camino más seguro y rentable, incluso si el futuro es caótico.

5. El Resultado: Ganar más dinero

En sus pruebas, el sistema DST funcionó mucho mejor que:

Los métodos tradicionales (que solo adivinan un futuro).
La Inteligencia Artificial que intenta aprender por ensayo y error (como un niño aprendiendo a andar en bicicleta, que tarda mucho y se cae mucho).
Incluso funcionó mejor que usar el mismo "artista" (el modelo de difusión) pero sin organizarlo en un árbol.

En resumen:
El paper nos dice que para tomar decisiones inteligentes en un mundo incierto, no basta con predecir qué pasará. Necesitas visualizar todas las formas en que podría pasar, organizarlas en un mapa claro (un árbol) y tomar decisiones que funcionen bien en la mayoría de esos caminos. Es como tener un GPS que no solo te dice la ruta más rápida, sino que también te avisa de los atascos, las carreteras cortadas y las tormentas antes de que llegues a ellas.

Resumen Técnico: Generación de Árboles de Escenarios Basada en Difusión para Predicción de Series Temporales Multivariadas y Optimización Estocástica

1. Planteamiento del Problema

La toma de decisiones robusta en sistemas inciertos (como mercados energéticos, finanzas o robótica) requiere no solo predecir el resultado más probable, sino modelar la distribución completa de la evolución futura.

Limitaciones actuales: Los métodos tradicionales (VAR, LSTM) suelen ofrecer predicciones puntuales o asumen distribuciones de error normales, lo que les impide capturar dinámicas complejas y multimodales. Además, aunque los árboles de escenarios son herramientas clásicas en optimización estocástica para garantizar la no anticipatividad (las decisiones dependen solo de la información histórica disponible), su generación suele basarse en modelos que no capturan bien la incertidumbre estructural.
El desafío: Integrar modelos de aprendizaje profundo probabilísticos avanzados (como los modelos de difusión) dentro de la estructura jerárquica de un árbol de escenarios para la optimización multietapa, manteniendo la consistencia temporal y la no anticipatividad.

2. Metodología Propuesta: Diffusion Scenario Tree (DST)

Los autores proponen DST, un marco general que construye árboles de escenarios utilizando modelos de difusión probabilísticos (específicamente TimeGrad) para guiar la evolución del sistema.

Modelo Base (TimeGrad): Se utiliza un modelo autoregresivo basado en difusión (DDPM) que aprende la distribución condicional de las series temporales futuras dado el historial observado. Esto permite muestrear trayectorias que capturan dependencias a largo plazo y patrones multimodales.
Construcción del Árbol (Algoritmo 1):
1. Muestreo Recursivo: En cada nodo del árbol (representando un estado histórico), el modelo de difusión genera $M$ predicciones futuras para el horizonte de la etapa.
2. Agrupamiento (Clustering): Estas predicciones se agrupan utilizando el algoritmo K-means en $K$ grupos. Los centroides de estos grupos se convierten en los nodos hijos representativos.
3. Cálculo de Probabilidades: La probabilidad de cada rama se calcula como la frecuencia de muestreo de las trayectorias que caen en ese clúster.
4. Selección y Normalización: Se retienen los $L$ nodos hijos con las probabilidades acumuladas más altas desde la raíz. Las probabilidades se normalizan para sumar 1.
5. Garantía de No Anticipatividad: El árbol se construye estrictamente sobre la base de la historia observada en cada nodo. Las decisiones en una etapa dependen únicamente de la información revelada hasta ese punto, cumpliendo con los requisitos de la optimización estocástica.
Integración en MPC: El árbol generado se utiliza dentro de un Control Predictivo Basado en Modelos (MPC) Estocástico. El agente optimiza las acciones a lo largo del horizonte del árbol, considerando múltiples escenarios posibles, y luego ejecuta solo la acción del primer paso antes de re-planificar con nueva información.

3. Contribuciones Clave

Marco Unificado: Presentación de DST como un puente entre la comunidad de aprendizaje automático (modelos de difusión) y la de investigación operativa/optimización estocástica.
Estructura Jerárquica para Modelos de Difusión: A diferencia de trabajos previos que usan difusión solo para generar conjuntos de escenarios desestructurados, DST organiza estas predicciones en un árbol con estructura explícita y garantías de no anticipatividad.
Superioridad en Discretización de Incertidumbre: Demuestra que organizar las predicciones de un modelo de difusión en un árbol de escenarios produce políticas de decisión más eficientes que usar el mismo modelo para muestreo directo (Monte Carlo) o predicción puntual.
Validación en Escenarios Reales: Aplicación exitosa en un problema de arbitraje energético con un Sistema de Almacenamiento de Energía (BESS) en el mercado de electricidad de Nueva York.

4. Resultados Experimentales

El método se evaluó comparando el MPC guiado por DST contra varios baselines en el mercado de electricidad de día-ahead de Nueva York:

Vs. MPC Estándar y Monte Carlo: DST obtuvo un rendimiento ligeramente superior (mejora del 0.29%) al MPC de Monte Carlo que usa el mismo forecaster de difusión. Ambos superaron al MPC determinista, demostrando el valor de la discretización estructurada.
Vs. Modelos Tradicionales (LSTM y VAR): DST superó significativamente a los árboles de escenarios generados por LSTM y VAR.
- Mejora del 18.0% frente a LSTM.
- Mejora del 25.4% frente a VAR.
- Nota importante: Incluso los modelos tradicionales (LSTM/VAR) mejoraron drásticamente (hasta un 91% en el caso de LSTM) cuando se usaron dentro de una estructura de árbol de escenarios en lugar de predicción puntual, pero DST sigue siendo el líder.
Vs. Aprendizaje por Refuerzo (RL): DST superó abrumadoramente a los baselines de RL sin modelo (Deep Q-Networks), que obtuvieron recompensas muy bajas debido a la escasez de datos y la observabilidad parcial. El entrenamiento de DST fue estable, mientras que el RL mostró alta inestabilidad.
Métricas: En la prueba de arbitraje, DST alcanzó una recompensa promedio de 85.81, superando a los métodos basados en modelos convencionales y acercándose al rendimiento del "MPC Óráculo" (que tiene conocimiento perfecto del futuro).

5. Significado e Impacto

Gestión Superior de la Incertidumbre: DST demuestra que la capacidad de los modelos de difusión para capturar distribuciones complejas y multimodales se traduce en mejores decisiones operativas cuando se estructuran adecuadamente en árboles de escenarios.
Aplicabilidad Industrial: El enfoque es viable para problemas de optimización donde las decisiones tienen un impacto significativo (como el trading energético diario), donde el costo computacional de la inferencia de difusión es aceptable.
Interpretabilidad: A diferencia de las "cajas negras" del RL, el árbol de escenarios proporciona una representación interpretable de los futuros posibles y las acciones óptimas asociadas a cada rama.
Futuro: El trabajo sugiere que la discretización estructurada de la incertidumbre es crucial para el control en entornos con observabilidad parcial, y abre la puerta a la generación de escenarios impulsada por el problema específico para alinear mejor los escenarios con las restricciones del sistema.

En conclusión, el artículo establece que combinar la potencia predictiva de los modelos de difusión con la estructura rigurosa de los árboles de escenarios es una estrategia superior para la optimización estocástica en sistemas dinámicos complejos.