相对于传统的点预测方法,区间预测能够考虑预测误差,输出预测值的估计范围,从而为后续的决策模块提供更为丰富的预测信息。本文围绕基于神经网络的区间预测模型这一主题,对高效的预测区间构造方法进行探索。并将区间预测技术与深度神经网络、随机优化模型相结合,用以解决自动驾驶、优化调度领域的实际问题。本文从区间与目标值距离的角度对预测区间的构造过程进行分析,提出了距离逼近损失函数。该损失函数允许神经网络采用梯度下降法进行训练,模型训练效率显著高于基于启发式搜素算法的区间预测方法。基于多层感知器的网络结构,在九个基准数据集上进行预测实验。实验结果表明,距离逼近损失函数构造的区间质量相较于其他方法有较大优势,初步验证了本文提出方法的有效性。在自动驾驶场景下轨迹预测任务的基础上,考虑预测模型的不确定性,将点预测扩展为区间预测,定义了轨迹可行区域预测任务。采用本文提出的距离逼近损失函数训练由长短期记忆单元构成的深度神经网络,抽取交通参与者历史轨迹的时序特征,对其未来轨迹可行区域进行多维度、多步长的预测。实验结果表明,距离逼近损失函数的区间预测效果显著优于其他已有方法,证明了本文提出的方法可以用于指导深度神经网络的训练,引导其构造高质量的预测区间。此外,对于单模型与多模型、长短期记忆单元编码特征的使用以及轨迹分类辅助任务三个网络结构设计相关的细节进行了详尽的讨论与实验验证。针对海水淡化机组供水优化调度的任务,提出了“区间预测+随机调度”方案,并建立了相关机会规划模型,阐述了遗传算法求解机制。该方法尤其适用于由于历史数据量等原因的限制,精确的点预测模型无法建立的情况。算例的实验结果表明,相较于传统的“点预测+确定性调度”方案,本文提出的方案能够提供与真实需求更为接近的供水方案。最后,对“区间预测+随机调度”方案产生优势的原因以及模型参数的灵敏度进行了全面的讨论与分析。