ReCast：可靠性感知码本辅助轻量级时间序列预测

时间序列预测是众多应用领域的关键任务。传统方法常依赖于对趋势、季节性和残差分量的全局分解，对于以局部、复杂且高度动态模式为主的实际序列效果不佳。此外，这类方法的高模型复杂度限制了其在实时或资源受限环境中的应用。本文提出一种新型可靠性感知码本辅助时间序列预测框架 (ReCast)，通过挖掘重复出现的局部形状实现轻量级且稳健的预测。ReCast 通过基于可学习码本的 patch-wise 量化对局部模式进行离散嵌入，从而紧凑地捕获稳定的规则结构。为补偿量化未保留的残差变化，ReCast 采用由量化路径和残差路径组成的双路径架构，前者高效建模规则结构，后者重建不规则的波动。ReCast 的核心贡献在于可靠性感知的码本更新策略，该策略通过加权校正逐步细化码本。这些校正权重通过来自互补视角的多个可靠性因素的融合而得出，基于分布鲁棒优化 (DRO) 方案，确保对非平稳性的适应性和分布迁移的鲁棒性。广泛的实验表明，ReCast 在准确性、效率和对分布迁移的适应性方面均优于最先进 (SOTA) 模型。