RACE：面向邻居丰富型时间序列基础模型预测的残差感知测试时自适应

arXiv:2610.00405v1 公告类型：新 摘要：时间序列基础模型（TSFMs）在各类预测任务中表现出色，但其针对单个序列的推理方式并不适用于邻居丰富型预测场景，在这种场景中，每个查询都可以访问相关但并不相同的历史序列。连续血糖监测（CGM）和 Web/云工作负载就是这类场景的典型例子：CGM 轨迹具有相似的生理模式，但会因个体、设备和状态不同而有所差异；Web/云工作负载则兼具常见运行状态与非平稳性、重尾分布和突发性。这些历史序列共享有用结构，但邻居序列的相关性并不相同。现有方法要么针对每个目标域对 TSFMs 进行微调，带来额外成本且在不同骨干模型之间的迁移能力有限；要么直接附加检索到的序列，而不验证这些序列是否有助于当前预测。其主要挑战在于：邻居序列提供的残差信息可能相互冲突，并且残差模式会随 TSFMs 和预测任务而变化。我们提出测试时邻域扩展这一问题设定：在不修改骨干模型的情况下，利用同域邻居信息。我们提出 RACE（Residual-Aware Correction of Forecasting Errors，预测误差的残差感知校正），这是一个利用历史邻居序列的两阶段框架。首先，我们检索与查询兼容的邻居序列，将其残差对齐到查询序列的尺度，并将一致性证据聚合为无需训练的 RACE-TF 校正。随后，完整的 RACE 使用轻量级、特定于领域的 Gate 来判断何时应用该校正有利，同时支持在不同 TSFM 骨干模型之间复用训练流程。在四个 TSFMs 上，RACE 在两个主要领域的全部三个领域聚合指标上均取得提升，并且在高误差查询上的增益最大。在每个领域内，在一个 TSFM 上训练的 Gate 无需适配即可迁移到其他骨干模型；与对应的冻结目标相比，最终流程在全部 72 项跨骨干模型指标比较中均实现了提升。