Time-o1：时间序列预测需要转换后的标签对齐
机器学习
2026-03-20 v2 人工智能
系统与控制
系统与控制
摘要
训练时间序列预测模型在设计有效学习目标方面存在独特挑战。现有方法主要利用时间均方误差，这面临两个关键挑战：（1）标签自相关，导致标签序列似然性偏差；（2）任务数量过多，随预测时域范围而增长，使优化复杂化。为解决这些挑战，我们提出Time-o1，一种为时间序列预测量身定制的转换增强学习目标。核心思想是将标签序列转换为无关成分并具有判别性，从而有效缓解标签自相关问题并减少任务数量。广泛的实验表明，Time-o1实现了最先进的性能，并与各种预测模型兼容。代码可在https://github.com/Master-PLC/Time-o1获取。
引用
@article{arxiv.2505.17847,
title = {Time-o1: Time-Series Forecasting Needs Transformed Label Alignment},
author = {Hao Wang and Licheng Pan and Zhichao Chen and Xu Chen and Qingyang Dai and Lei Wang and Haoxuan Li and Zhouchen Lin},
journal= {arXiv preprint arXiv:2505.17847},
year = {2026}
}
备注
Accepted as poster in NeurIPS 2025