CoGenCast：用于时间序列预测的耦合自回归-流生成框架
机器学习
2026-02-04 v1
摘要
时间序列预测可视为一种生成问题，需要对上下文条件进行语义理解，同时对连续时序动力学进行随机建模。现有方法通常依赖于用于语义上下文建模的自回归大语言模型 (LLM)，或用于连续概率生成的扩散类模型，但单独的任一方法都无法同时充分建模这两个方面。本文提出CoGenCast，一种将预训练LLM与流匹配机制耦合的混合生成框架，用于有效的时间序列预测。具体而言，我们仅通过修改注意力拓扑，将预训练的解码器-only LLM 重新配置为具有双向上下文编码和因果表示生成的本质预测编码器-解码器骨架。基于此，进一步集成流匹配机制，以捕捉条件于自回归生成表示的连续随机动力学。值得注意的是，CoGenCast 天然支持多模态预测和跨域统一训练。大量实验表明，CoGenCast 在多个基准测试上 consistently 优于以往对比基线。代码已公开于 https://github.com/liuyaguo/_CoGenCast。
引用
@article{arxiv.2602.03564,
title = {CoGenCast: A Coupled Autoregressive-Flow Generative Framework for Time Series Forecasting},
author = {Yaguo Liu and Mingyue Cheng and Daoyu Wang and Xiaoyu Tao and Qi Liu},
journal= {arXiv preprint arXiv:2602.03564},
year = {2026}
}