要看远处，先看近处：基于演化的长期时间序列预测
机器学习
2026-02-03 v2 人工智能
摘要
当前主流的直接预测（Direct Forecasting, DF）范式主导了长期时间序列预测（Long-term Time Series Forecasting, LTSF），通过强制模型在单次前向传播中预测整个未来时序。虽然该方法高效，但其僵化的输出与评估时序耦合，使得每改变一个目标时序就需要进行计算昂贵的重新训练。本文发现了一个反直觉的优化异常：在我们提出的演化预测（Evolutionary Forecasting, EF）范式下，训练时序短暂的模型，显著优于直接训练在长时序上的模型。我们将此成功归因于缓解了DF范式中固有的优化病态——即来自远端未来梯度的冲突削弱了对局部动力学的学习。我们将EF建立为统一的生成框架，证明DF不过是EF的一种退化特例。大量实验表明，单一的EF模型超越了针对不同任务的DF集成，在标准基准测试中表现出优异性能，并在极端外推情境下展现出稳健的渐近稳定性。本工作推动了LTSF范式的变革：从被动的静态映射，迈向自主的演化推理。
引用
@article{arxiv.2601.23114,
title = {To See Far, Look Close: Evolutionary Forecasting for Long-term Time Series},
author = {Jiaming Ma and Siyuan Mu and Ruilin Tang and Haofeng Ma and Qihe Huang and Zhengyang Zhou and Pengkun Wang and Binwu Wang and Yang Wang},
journal= {arXiv preprint arXiv:2601.23114},
year = {2026}
}