TimeCatcher：面向非平稳时间序列的波动性感知变分预测框架
机器学习
2026-01-29 v1
摘要
近期基于轻量级多层感知机（MLP）的模型通过捕捉稳定趋势和季节性模式，在时间序列预测中取得了显著成绩。然而，其有效性依赖于隐式的局部平稳性假设，在面对高度非平稳序列的长期预测，尤其是在突发波动频繁发生的场景（如网页流量监控），容易引发误差。为克服这一限制，我们提出TimeCatcher——一种面向非平稳时间序列的波动性感知变分预测框架。TimeCatcher在线性结构上引入变分编码器以捕捉历史数据中隐藏的动态模式，同时设计波动性感知增强机制以检测并放大显著的局部变化。我们在来自流量、金融、能源和天气等九个真实数据集上进行实验，结果显示TimeCatcher在所有基准模型中均表现出色，尤其在波动性大、突发波动频繁的长期预测场景中取得显著提升。我们的代码已公开于https://github.com/ColaPrinceCHEN/TimeCatcher。
引用
@article{arxiv.2601.20448,
title = {TimeCatcher: A Variational Framework for Volatility-Aware Forecasting of Non-Stationary Time Series},
author = {Zhiyu Chen and Minhao Liu and Yanru Zhang},
journal= {arXiv preprint arXiv:2601.20448},
year = {2026}
}
备注
Under review. 13 pages, 8 figures. This paper proposes a variational framework with adaptive volatility enhancement for non-stationary time series forecasting