回到未来：前瞻增强与并行自校准用于时间序列预测

长期时间序列预测（LTSF）因在并行效率与时序一致性建模之间的权衡仍然具有挑战性。直接多步预测（DMS）方法能够快速并行预测所有未来时段，但常常在跨步之间丢失时序一致性；而迭代多步预测（IMS）则保留时序依赖性，但会产生误差累积并导致推理速度慢。为弥合这一差距，我们提出了一种名为Back to the Future（BTTF）的简单而有效的框架，通过前瞻增强和自校正细化来提升预测稳定性。我们不依赖复杂的模型架构，而是重访基本的预测过程，通过对基线模型进行细化——将其与通过初始预测增强的第二阶段模型集成。尽管方法简单，我们的做法在提升长时段精度方面始终具有显著效果，显著缓解了线性预测模型的不稳定性，在精度方面可提升最高58%，即使在基线模型在次优条件下训练时，也能表现出稳定的改进。这些结果表明，利用模型生成的预测作为增强，甚至无需复杂的架构，即可成为一种简单而强大的提升长期预测方法的方式。