面向非平稳概率时间序列预测的参数化先验映射框架
机器学习
2026-05-25 v1 人工智能
摘要
在概率多变量时间序列(MTS)预测中，有效建模非平稳动态需要在表达能力与鲁棒性之间取得平衡。现有的参数化方法受益于强归纳偏置但缺乏灵活性，而深度生成模型在没有大量数据和计算的情况下难以捕捉复杂的时间依赖关系。我们引入了参数化先验映射(PPM)，这是一个将参数化结构先验注入生成建模过程的框架。具体而言，PPM 利用参数化估计器推导出动态、自适应的先验，通过可学习的映射引导复杂预测分布的学习。这种设计使模型能够保留参数化方法的效率，同时利用生成模型的表达能力。PPM 采用混合目标进行训练，可产生精确的预测以及校准良好的不确定性估计。实证结果表明，PPM 在处理非平稳数据方面优于现有基线，在准确性与计算效率之间提供了更优的权衡。代码可在 https://github.com/ljl8336/PPM 获取。
引用
@article{arxiv.2605.23402,
title = {Parametric Prior Mapping Framework for Non-stationary Probabilistic Time Series Forecasting},
author = {Jinglin Li and Jun Tan and QI Fang and Ning Gui},
journal= {arXiv preprint arXiv:2605.23402},
year = {2026}
}
备注
20 pages, 8 figures, accepted by ICML 2026