OneCast：面向跨域时间序列预测的结构分解与模块化生成
人工智能
2025-11-04 v2
摘要
跨域时间序列预测是众多 Web 应用中宝贵的任务。尽管该领域取得了快速进展，但在面对异构时间序列数据时，实现有效的跨域泛化仍是重大挑战。现有方法通过扩展单域模型取得进展，但常在面对域特定趋势偏移和不一致的周期模式时表现不足。我们认为，其关键限制在于将时间序列视为未经区分的序列，而未显式解耦其内在结构组件。为此，我们提出 OneCast，一种结构化且模块化的预测框架，将时间序列分解为季节性和趋势组件，分别通过量身定制的生成路径进行建模。具体而言，季节性组件通过轻量级投影模块实现，利用可解释的基函数重构周期模式；趋势组件则通过语义感知分词器在段级离散化，并通过掩码离散扩散机制进行推断。两条分支的输出相组合，生成最终预测，既捕获季节模式，又跟踪域特定趋势。广泛的八个域实验表明，OneCast 大多数情况下均优于当前最先进的基线。
引用
@article{arxiv.2510.24028,
title = {OneCast: Structured Decomposition and Modular Generation for Cross-Domain Time Series Forecasting},
author = {Tingyue Pan and Mingyue Cheng and Shilong Zhang and Zhiding Liu and Xiaoyu Tao and Yucong Luo and Jintao Zhang and Qi Liu},
journal= {arXiv preprint arXiv:2510.24028},
year = {2025}
}