双原型解耦：时间序列预测的情境感知增强框架
机器学习
2026-03-31 v3 人工智能
摘要
时间序列预测通过深度学习取得了显著进展。虽然现行方法通过修改架构或引入新型增强策略来提升预测性能，但往往无法动态解耦和利用时间序列中纠缠复杂的模式，从而导致学习静态、平均表示，缺乏情境感知能力。为此，我们提出了双原型自适应解耦框架（DPAD），一种模型无关的辅助方法，赋予预测模型模式解耦和情境感知适应能力。具体而言，我们构建了动态双原型库（DDP），包括具备强时序先验的通用模式库，用于捕获主流趋势或季节性模式，以及动态记忆关键且不常见事件的稀有模式库，然后提出双路径情境感知路由（DPC）机制，从 DDP 中选择性检索情境特定模式表示，以增强输出。此外，我们引入了解耦导向损失（DGLoss），确保每个原型库专注于其指定角色，同时保持全面覆盖。全面实验表明，DPAD 在多样真实世界基准上持续改进了当前方法的时间序列预测性能和可靠性。
引用
@article{arxiv.2601.16632,
title = {Dual-Prototype Disentanglement: A Context-Aware Enhancement Framework for Time Series Forecasting},
author = {Haonan Yang and Jianchao Tang and Zhuo Li},
journal= {arXiv preprint arXiv:2601.16632},
year = {2026}
}