基于指导的预测：时间序列预测的表征级别监督

当下，时间序列预测主要通过基于误差函数的深度学习架构进行端到端训练。虽然这种方法在最小化平均损失方面有效，但它鼓励编码器丢弃信息丰富但极端的模式，从而导致预测平滑且时序表征难以捕捉关键动态。为此，我们提出ReGuider，这是一个可无缝集成到任何预测架构中的插件方法。ReGuider利用预训练的时间序列基础模型作为语义教师。在训练期间，输入序列由目标预测模型和预训练模型一起处理。不同于直接使用预训练模型的输出，我们提取其中间嵌入，这些嵌入在时序和语义方面都很丰富，并通过表征级别监督将其与目标模型的编码器嵌入对齐。这一对齐过程使编码器能够学习更具表达力的时序表征，从而提高下游预测的准确性。广泛的实验在不同数据集和架构上表明，我们的ReGuider consistently 改进了预测性能，证明了其有效性和通用性。