DAG：用于含外生变量的时间序列预测的双相关网络
机器学习
2026-05-13 v3
摘要
时间序列预测是诸多领域的关键技术。相较于仅依赖内生变量（即目标变量），考虑外生变量（即协变量）可提供额外的预测信息，往往导致更精确的预测。然而，现有针对含外生变量的时间序列预测方法（TSF-X）存在以下不足：1）未能充分利用未来的外生变量；2）未能完全考虑内生变量与外生变量之间的相关性。为更好地利用外生变量，尤其是未来的外生变量，本研究提出了 DAG 模型，它沿时间维度和通道维度利用双相关网络进行含外生变量的时间序列预测。具体而言，我们提出了两个核心组件：时序相关模块和通道相关模块。两个模块均由相关性发现子模块和相关性注入子模块组成。前者旨在捕获历史外生变量对未来外生变量以及历史内生变量的相关性效应；后者则将发现的相关性关系注入到基于历史内生变量和未来外生变量预测未来内生变量的过程中。
引用
@article{arxiv.2509.14933,
title = {DAG: A Dual Correlation Network for Time Series Forecasting with Exogenous Variables},
author = {Xiangfei Qiu and Yuhan Zhu and Zhengyu Li and Xingjian Wu and Bin Yang and Jilin Hu},
journal= {arXiv preprint arXiv:2509.14933},
year = {2026}
}
备注
Accepted by ICML 2026