LightGTS-Cov: 协变量增强的时间序列预测
机器学习
2026-02-12 v1
摘要
时间序列基础模型通常在大规模多来源数据集上进行预训练;然而，它们往往忽略外生协变量或通过简单与目标序列拼接来引入协变量，这限制了其在协变量丰富应用场景（如电价预测和可再生能源预测）中的效果。我们引入LightGTS-Cov，这是LightGTS的一个协变量增强版本，保留了其轻量级、周期感知的骨干网络，同时显式地整合过去和未来已知协变量。基于约10万参数的LightGTS骨干网络，LightGTS-Cov仅添加约10万参数的MLP插件，通过残差方式将时间对齐的协变量整合到目标预测输出中。在电价和能源生成数据集上的协变量感知基准测试中，LightGTS-Cov consistently优于LightGTS，并在两种情况下均优于其他协变量感知基线，无论是否提供未来已知协变量。我们进一步在两个实际能源案例应用中展示了其实际价值：基于未来天气预报的长期光伏发电预测以及基于天气和调度计划协变量的隔日电价预测。在两种应用中，LightGTS-Cov均实现了优异的预测准确率和稳定的部署后运行性能，验证了其在实际工业环境中的有效性。
引用
@article{arxiv.2602.10412,
title = {LightGTS-Cov: Covariate-Enhanced Time Series Forecasting},
author = {Yong Shang and Zhipeng Yao and Ning Jin and Xiangfei Qiu and Hui Zhang and Bin Yang},
journal= {arXiv preprint arXiv:2602.10412},
year = {2026}
}