闭环：面向可证明稳定时间序列预测的控制论框架
机器学习
2026-02-16 v1
摘要
大型语言模型（LLM）最近在时间序列预测中展现出卓越的潜力，利用其内在的序列推理能力建模复杂的时序动力学。然而，现有方法通常采用单纯的自回归生成策略。在推断期间，模型以开环方式运行，递归消耗其自身生成的输出。这导致不可避免的误差累积（exposure bias），即微小的早期偏差会在长期预测中级谈成显著的轨迹漂移。在本文中，我们将自回归预测通过控制论的视角进行重新表述，提出了F-LLM（feedback-driven LLM），一种新型闭环框架。不同于标准方法被动地传递误差，F-LLM通过可学习的残差估计器（Observer）和反馈控制器主动稳定轨迹。进一步，我们提供了理论保证：只要基础模型满足局部Lipschitz约束，闭环机制即可确保误差在统一范围内。广泛的实验表明，F-LLM显著减缓了误差传播，在时间序列基准上实现良好性能。
引用
@article{arxiv.2602.12756,
title = {Closing the Loop: A Control-Theoretic Framework for Provably Stable Time Series Forecasting with LLMs},
author = {Xingyu Zhang and Hanyun Du and Zeen Song and Jianqi Zhang and Changwen Zheng and Wenwen Qiang},
journal= {arXiv preprint arXiv:2602.12756},
year = {2026}
}