感知、路由与调制：用于时间序列预测的动态模式重校准
机器学习
2026-05-08 v1
摘要
现实世界时间序列中的局部时间模式不断变化，使得全局共享的变换次优。当前的深度预测模型尽管具有规模和复杂性，却依赖于均匀应用于所有时间 token 的固定权重矩阵。这产生了一种静态的模式响应：模型陷入妥协的平均状态，无法适应不断变化的局部动态。我们引入了动态模式重校准（DPR），这是一种与主干无关的机制，通过 token 级别的重校准来解决此问题。通过轻量级的“感知-路由-调制”流水线，DPR 在学习到的自适应响应模式基上计算软路由分布，生成时间感知的调制向量，通过残差 Hadamard 积重校准隐藏状态。作为与主干无关的适配器，DPR 以极小的开销增强了跨多种架构的预测能力，证实其解决了一般性瓶颈。作为极简的独立模型，DPRNet 在 12 个基准测试中取得了具有竞争力的性能，验证了动态重校准相对于宏观参数缩放的有效性。
引用
@article{arxiv.2605.06310,
title = {Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting},
author = {Siru Zhong and Zhao Meng and Haohuan Fu and Haoyang Li and Qingsong Wen and Yuxuan Liang},
journal= {arXiv preprint arXiv:2605.06310},
year = {2026}
}
备注
22 pages, 6 figures. Preprint