神经预测控制用于离散-连续时间模型的协调，以改进控制理论中的时间序列分析

深度序列模型在时间序列分析中取得了显著成功，如插值和预测。近期进展正超越离散时间结构（如循环神经网络 RNN） toward continuous-time formulations（如神经常微分方程 Neural ODE 族）。通常情况下，这些方法表明捕捉底层动力学对通用任务（如插值、外推和分类）有益。然而，现有方法使用无约束神经网络逼近动力学，在分布迁移下难以可靠适应。本文将时间序列问题重新表述为连续 ODE 基于最优控制问题。我们不仅从数据中学习动力学，还优化控制动作以将 ODE 轨迹引导至任务目标，从而获得控制理论性能保证。为实现此目标，我们需要（1）设计合适的控制动作，（2）应用有效的最优控制算法。由于控制动作应包含丰富的上下文信息，我们提出采用离散时间模型处理过去序列并生成动作，从而形成协调模型来提取长期时间特征以调制短期连续动力学。在训练期间，我们应用模型预测控制对多步未来轨迹进行规划，最小化任务特定代价，并贪心地选择最优当前动作。在轻微假设下，这种多时段优化导致对无限时段解的指数收敛，表明协调模型能够获得稳健和可泛化的性能。广泛的实验在多样化时间序列数据集上验证了我们方法在泛化性和适应性方面优于最先进基准的方法。