DualWeaver：用于 multivariate 预测的单变量时间序列基础模型的对称特征编织替代方案
机器学习
2026-02-26 v1 人工智能
摘要
时间序列基础模型 (TSFM) 已通过大规模预训练实现了强大的单变量预测，但有效地将此成功扩展到 multivariate 预测仍具有挑战性。为此，我们提出了 DualWeaver，这是一个新型框架，通过使用一对可学习的、结构对称的替代序列来适应单变量 TSFM 进行 multivariate 预测。这些替代序列由捕获跨变量依赖性的共享辅助特征融合模块生成，映射到 TSFM 兼容的序列。对称结构使最终预测可直接无参数地从替代序列重建，无需额外的参数解码。进一步引入以理论为依据的规则化项，以增强其对适应性崩溃的鲁棒性。大量在多样化真实数据集上的实验表明，DualWeaver 在准确性和稳定性方面均优于当前最先进的 multivariate 预测方法。我们在 https://github.com/li-jinpeng/DualWeaver 上发布了代码。
引用
@article{arxiv.2602.22066,
title = {DualWeaver: Synergistic Feature Weaving Surrogates for Multivariate Forecasting with Univariate Time Series Foundation Models},
author = {Jinpeng Li and Zhongyi Pei and Huaze Xue and Bojian Zheng and Chen Wang and Jianmin Wang},
journal= {arXiv preprint arXiv:2602.22066},
year = {2026}
}
备注
16 pages. Preprint