面对数据稀疏的高等教育招生预测：零样本时间序列基础模型框架

高等教育的有效资源分配依赖于可靠的招生预测，但制度规划者常面临数据序列被结构性变化破坏的情况。本文探讨了零样本时间序列基础模型（TSFMs）能否在严重数据稀疏的情况下为年度招生预测提供严谨的决策支持。我们对比评估了多个 TSFMs 与经典操作基准，使用扩张窗口回归测试，镜像决策时间约束。为捕捉环境性变化且避免前瞻偏差，我们引入了一种防泄漏协变量协议，将特征工程化的 Google Trends 与来自历史叙事证据提取的制度运营条件指数（IOCI）相结合。我们的评估表明，协变量条件化的 TSFMs 与经典方法相当，且可以在不需针对具体机构进行训练的情况下提高准确性。然而，运作收益取决于学生群特征和协变量设计。这项研究为操作研究人员和大学行政人员提供了可审计且可迁移的预测协议，帮助机构在数据有限和结构不稳定的情况下确定何时使用基于情境的预测可实现实际价值。