超越外推：基于双向激励的时间序列预测知识利用范式
机器学习
2026-05-20 v1
摘要
时间序列预测是能源、交通和公共卫生等多个场景中的关键任务。然而，大多数现有预测模型主要依赖单向推理，即从历史映射到目标，忽略了经修订的自然链（历史（模型输入）--目标（真实输出）--后目标延续）所提供的结构信息。后目标延续记录目标之后轨迹的演变，可帮助稳定预测，但在推断时不可观测。本文旨在为当前输入获取后目标延续的近似代理，为双向预测提供结构化知识。我们将其实现为 KUP-BI（Knowledge Utilization Paradigm with Bidirectional Inspiration），一种新的时间序列建模范式，从仅在训练期间的历史库中提炼延续风格知识（作为后目标延续代理），并整合到标准预测 backbones 中。输入流和延续代理流通过轻量级特征级门控模块融合。该设计不引入训练数据之外的任何信息，而是提供结构化归纳偏见，帮助 backbones 挖掘典型延续模式，而非仅依赖参数外推。六个公开数据集的实验表明，KUP-BI 在各种先进模型的预测性能上实现了持续改进，额外开销小。
引用
@article{arxiv.2605.19249,
title = {Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting},
author = {Liu Chong and Yingjie Zhou and Hao Li and Pengyang Wang and Qingsong Wen and Ce Zhu},
journal= {arXiv preprint arXiv:2605.19249},
year = {2026}
}
备注
Accepted to ICML 2026. 18 pages, 6 figures