TimePre：构建概率时间序列预测中准确性、效率与稳定性之间的桥梁
机器学习
2026-04-24 v2 计算机视觉与模式识别
摘要
我们提出 TimePre，一个简洁的框架，统一基于多层感知器 (MLP) 模型的高效性与多选择学习 (MCL) 的分布式灵活性，用于概率时间序列预测 (PTSF)。TimePre 的核心是稳定实例归一化 (SIN)，该归一化层显式地解决准确性、效率和稳定性之间的权衡。SIN 通过纠正通道级统计偏移，稳定了混合架构，从而解决了恶性假设崩溃问题。在六个基准数据集上的大量实验表明，TimePre 在关键概率指标上实现了最先进 (SOTA) 的准确性。关键在于，TimePre 的推理速度比基于抽样的模型快了数量级，而且比以前的 MCL 方法更稳定。
引用
@article{arxiv.2511.18539,
title = {TimePre: Bridging Accuracy, Efficiency, and Stability in Probabilistic Time-Series Forecasting},
author = {Lingyu Jiang and Lingyu Xu and Peiran Li and Dengzhe Hou and Qianwen Ge and Dingyi Zhuang and Shuo Xing and Wenjing Chen and Xiangbo Gao and Ting-Hsuan Chen and Xueying Zhan and Xin Zhang and Ziming Zhang and Zhengzhong Tu and Michael Zielewski and Kazunori Yamada and Fangzhou Lin},
journal= {arXiv preprint arXiv:2511.18539},
year = {2026}
}
备注
15 pages, 5 figures, 6 tables