从观察到状态：潜在时间序列预测
机器学习
2026-05-13 v2
摘要
深度学习在时间序列预测（TSF）中取得了显著的性能。然而，我们发现了一个被称为潜在混沌（Latent Chaos）的关键表示悖论：具有准确预测能力的模型往往学习到的潜在表征在时间上是无序且缺乏连续性。我们将其归因于以观察空间为主的预测范式，即通过对噪声数据和部分观测数据的逐点误差进行最小化，鼓励了捷径解决方案而非底层系统动力学的恢复。为此，我们提出了潜在时间序列预测范式（LatentTSF），将TSF从观察回归转向潜在状态预测。LatentTSF采用自编码器将每个观察映射到学习到的潜在状态空间，并在该空间内完成预测，使模型能够专注于学习结构化的时间动力学。我们提供了信息论分析，表明潜在目标可被视为最大化预测潜在状态与真实潜在状态以及未来观察之间互信息的替代方案。广泛的基准实验表明，LatentTSF有效缓解了潜在混沌，在预测准确性和表征质量方面均实现了持续的改进。我们的代码已提供：https://github.com/Muyiiiii/LatentTSF。
引用
@article{arxiv.2602.00297,
title = {From Observations to States: Latent Time Series Forecasting},
author = {Jie Yang and Yifan Hu and Yuante Li and Kexin Zhang and Kaize Ding and Philip S. Yu},
journal= {arXiv preprint arXiv:2602.00297},
year = {2026}
}
备注
Accepted at ICML 2026