用于时间序列预测的双上下文类比检索

arXiv:2610.03491v1 公告类型：新 摘要：大多数长期时间序列预测模型在单次前向过程中，直接将回看窗口映射到完整预测区间。尽管这种设计效率较高，但它并不会明确识别哪些历史状态与不同的未来片段最相关，也不会利用这些状态之后发生的情况。类比预测通过检索与当前状态相似的历史状态，并利用它们已观测到的后续轨迹来解决这一问题；然而，单个最近邻匹配可能并不可靠，重叠分块还可能产生冗余候选项。我们提出了 DuoTS，一种双上下文时间序列预测模型，它利用检索到的证据，但不完全依赖这些证据。DuoTS 首先通过并行分块编码器和线性预测头生成基础预测，然后逐步细化预测结果，每次处理一个未来分块。每次细化结合了两种视角：当前上下文关注近期令牌并捕捉最新动态，细节上下文则提供彼此不同的检索类比及其后续轨迹。基于分块的细化机制使模型能够在整个预测区间内平衡这两种视角，并将每个未来片段与适合其相对于当前时刻的时间距离的证据关联起来。在多个真实世界数据集上的实验表明，DuoTS 达到了最先进的性能，消融实验也证实了每种上下文的贡献。该细化机制与具体模型无关，只需一个经过编码的回看窗口和未来分块位置，因此可以集成到现有的预测模型中。