Resumo Técnico: Mercados de Previsão Probabilística com Contribuições Intermitentes

Declaração do Problema

O artigo aborda o desafio de melhorar a precisão das previsões em domínios como a energia renovável, onde a disponibilidade de dados está aumentando, mas a colaboração é dificultada pela propriedade dos dados, interesses competitivos e preocupações com a privacidade. Embora existam estruturas teóricas de jogos cooperativos e métodos de aprendizado distribuído que preservam a privacidade, eles frequentemente assumem uma participação racional, verídica e contínua por parte dos agentes. Na prática, as partes interessadas podem não estar dispostas a compartilhar dados, ou sua participação pode ser intermitente.

Os autores propõem um quadro de mercado de previsão onde agentes independentes (vendedores) negociam previsões probabilísticas para eventos futuros incertos em troca de recompensas. Os desafios técnicos específicos abordados são:

1. Implementação em tempo real: A necessidade de aprendizado online sem uma fase de treinamento distinta.
2. Desempenho histórico: Contabilizar o valor informativo de longo prazo dos agentes, não apenas a precisão instantânea.
3. Participação intermitente: Lidar com cenários onde os agentes entram ou saem do mercado à vontade, resultando em submissões de previsão ausentes (um problema de dados faltantes).
4. Alocação justa de recompensas: Projetar um mecanismo de pagamento que equilibre a consistência intra-amostra (contribuição histórica) com a precisão extra-amostra (qualidade genuína da previsão), satisfazendo ao mesmo tempo propriedades econômicas como equilíbrio orçamentário e veracidade.

Metodologia

O design de mercado proposto envolve um Operador de Mercado central interagindo com Clientes (compradores de previsões) e Vendedores (previsores). O sistema opera em passos de tempo discretos $t$, lidando com previsões probabilísticas não paramétricas representadas por quantis.

1. Combinação de Previsões via Regressão Robusta Adaptativa

Para combinar previsões de múltiplos vendedores, os autores empregam um quadro de regressão linear atualizado via Descida de Gradiente Online (OGD).

• Função Objetivo: O modelo minimiza a perda de quantil (perda pinball) para otimizar os pesos para níveis nominais de quantil específicos $\tau$.
• Lidando com Dados Faltantes: Para acomodar a participação intermitente, os autores estendem um modelo de Regressão Linear Robusta (RQR). Eles introduzem um vetor de disponibilidade binário $\alpha_t$ e uma matriz de correção linear $D_t$. Quando a previsão de um vendedor está ausente, o modelo ajusta dinamicamente os pesos de combinação usando a matriz de correção para compensar a informação faltante, extraindo efetivamente informações adicionais das previsões disponíveis restantes.
• Atualização Online: Os pesos $w_t$ e a matriz de correção $D_t$ são atualizados iterativamente usando sub-gradientes da perda de quantil. O método suporta atualizações em mini-lotes para lidar eficientemente com horizontes de previsão de múltiplos passos.

2. Mecanismo de Alocação de Recompensas

A recompensa total $U_t$ fornecida pelo cliente é dividida em dois componentes para cada vendedor $i$ e quantil $\tau$:
$$r^{(\tau)}_{i,t} = U^{(\tau)}_t [\delta r^{is}_{i,t} + (1-\delta) r^{oos}_{i,t}]$$
onde $\delta$ é um parâmetro de ponderação.

• Alocação Intra-Amostra ($r^{is}$): Projetada para recompensar a consistência e o valor informativo cumulativo.
  • Utiliza uma variante online do valor de Shapley ($\phi^c_{i,t}$), que é atualizada recursivamente ao longo do tempo ($\phi^c_{i,t} = \lambda \phi^c_{i,t-1} + (1-\lambda)\phi^s_{i,t}$).
  • O valor de Shapley é calculado com base na contribuição marginal de um vendedor para a previsão agregada usando os pesos corrigidos.
  • Vendedores ausentes recebem zero de recompensa intra-amostra.
• Alocação Extra-Amostra ($r^{oos}$): Projetada para recompensar a precisão instantânea da previsão.
  • Baseada em uma função de pontuação derivada da perda de quantil.
  • Os vendedores são recompensados proporcionalmente à sua precisão em relação aos outros vendedores presentes.
  • Vendedores ausentes recebem zero de recompensa extra-amostra.

3. Propriedades Econômicas

Os autores definem formalmente e provam que o mecanismo de alocação satisfaz:

• Equilíbrio Orçamentário: A soma das recompensas distribuídas é igual à utilidade total gerada.
• Simetria: Previsões idênticas geram recompensas idênticas.
• Elemento Zero: Vendedores não participantes não recebem recompensa.
• Racionalidade Individual: As recompensas são não negativas.
• Veracidade (Compatibilidade de Incentivos): Os vendedores maximizam as recompensas esperadas relatando previsões verdadeiras, pois alterar as previsões aumenta a perda e reduz tanto as recompensas intra-amostra (via valor de Shapley) quanto as extra-amostra.

Resultados

A metodologia foi avaliada usando dados sintéticos e um estudo de caso real de previsão de energia eólica.

Estudos de Caso Sintéticos

• Cenário Invariante no Tempo: Tanto a Regressão de Quantil (QR) padrão quanto a QR Robusta (RQR) convergiram para pesos ótimos. A RQR lidou com sucesso com a aleatoriedade de dados faltantes (taxa de 5%) com convergência estável.
• Cenário Variante no Tempo: Os métodos adaptaram-se com sucesso a distribuições de pesos em evolução em um ambiente dinâmico, rastreando mudanças periódicas na combinação ótima.
• Variação de Dados Faltantes: A RQR demonstrou menor variância e viés comparável ou superior às estratégias de imputação de referência (imputação pela média e pelo último valor) em taxas de dados faltantes de 5% a 90%.

Estudo de Caso Real (Energia Eólica)

• Configuração: Previsão probabilística para o dia seguinte de um parque eólico offshore na Bélgica, usando nove modelos de entrada (combinações de três fontes de NWP: ECMWF, NOAA, DWD, e três tipos de modelo: XGBoost, QRF, MLP).
• Desempenho:
  • A previsão combinada (QR) superou todos os modelos individuais, confirmando o valor de fontes de informação heterogêneas.
  • Robustez da RQR: Mesmo com 10–20% de dados faltantes, a RQR alcançou valores de perda de quantil muito próximos ao benchmark "oráculo" QR (informação completa) e significativamente melhores do que o melhor modelo individual.
  • Adaptabilidade: A perda de média móvel da RQR permaneceu consistentemente menor do que a do único melhor especialista, particularmente durante períodos em que especialistas individuais tiveram desempenho inferior.
• Dinâmica de Recompensas: A distribuição de recompensas destacou que modelos com valor preditivo distinto (por exemplo, ECMWF-MLP, ECMWF-XGB) acumularam as recompensas sustentadas mais altas. O sistema rastreou com sucesso o desempenho variante no tempo, como a contribuição crescente do DWD-MLP na segunda metade do período de teste.

Significado e Alegações

O artigo alega introduzir um design de mercado de previsão que efetivamente preenche a lacuna entre estruturas cooperativas teóricas e restrições práticas do mundo real. Seu significado principal reside em:

1. Lidar com Intermitência: É a primeira extensão da regressão linear robusta para combinação de previsões para um ambiente de aprendizado online, permitindo que agentes entrem e saiam livremente sem degradar a previsão agregada.
2. Recompensa de Duplo Objetivo: Propõe um mecanismo de pagamento inovador que recompensa simultaneamente a consistência histórica (via valores de Shapley variantes no tempo) e a precisão instantânea (via pontuação extra-amostra), abordando uma limitação na literatura existente que frequentemente se concentra apenas no desempenho intra-amostra.
3. Viabilidade Econômica: O mecanismo é provado satisfazer propriedades econômicas-chave, garantindo equidade e incentivando a divulgação verídica.

Os autores concluem que, embora o mercado proposto demonstre eficácia na previsão de energia renovável, trabalhos futuros poderiam explorar conjuntos de participantes totalmente dinâmicos e mecanismos de alocação alternativos para reduzir ainda mais a complexidade computacional e melhorar a escalabilidade.