用于训练多步时间序列预测模型的 Quadratic Direct Forecast

arXiv:2511.00053v2 公告类型：替换 摘要：学习目标的设计是训练时间序列预测模型的核心。现有的学习目标（如均方误差）大多将每个未来时间步视为独立且权重相等的任务，这带来了以下两个挑战：（1）忽略了未来时间步之间的标签自相关效应，导致学习目标存在偏差；（2）未能为对应不同未来时间步的预测任务设置差异化权重，从而限制了预测性能。为填补这一空白，我们提出了一种新颖的二次型加权学习目标，同时解决这两个问题。具体而言，权重矩阵的非对角元素用于考虑标签自相关效应，而非均匀的对角元素则旨在匹配不同未来时间步预测任务的理想权重。在此基础上，我们提出了 Quadratic Direct Forecast（QDF）学习算法，利用自适应更新的二次型权重矩阵训练预测模型。实验表明，我们的 QDF 能够有效提升多种预测模型的性能，达到当前最先进水平。代码已公开，地址为 https://github.com/Master-PLC/QDF。