何时会失败？基于异常提示预测未来异常的时间点

最近，预测未来异常事件的时间点已成为解决现实需求的重要场景之一。然而，针对具体未来时间点预测异常发生的任务（称为异常预测，Anomaly Prediction, AP），仍未得到充分探索。现有处理时间序列数据的方法在 AP 上表现不佳，仅关注即时异常或无法为未来异常提供精确预测。为解决 AP 任务，我们提出了一种新框架称为异常到提示（Anomaly to Prompt, A2P），包括异常感知预测（Anomaly-Aware Forecasting, AAF）和合成异常提示（Synthetic Anomaly Prompting, SAP）。为使预测模型能够预测异常时间点，我们采用学习异常关系的策略。对于稳健的异常检测，我们提出的 SAP 引入可学习的异常提示池（Anomaly Prompt Pool, APP），通过信号自适应提示模拟多样化的异常模式。针对多个真实世界数据集进行的全面实验表明，A2P 在多个数据集上优于现有最先进方法，展示了其预测未来异常的能力。我们的实现代码已提供，地址为 https://github.com/KU-VGI/AP。