Event Signature Transfer：基于历史事件的模型无关预测情景构建

预测者通常知道某个事件即将发生，却不知道其影响的形态、规模或时间。我们提出 Event Signature Transfer（EST），这是一种无需训练、模型无关的算子，可将一个已经完成的历史事件转换为明确的预测情景。EST 会去除源事件自身的趋势和季节性，然后将剩余的事件特征进行缩放并重新调整时间，将其迁移到原生预测上，同时保留预测的关联结构，并在强度为零时精确退化为原预测。由于 EST 只读取输出分位数，因此适用于任何分位数预测器；在迁移时无需训练，也无需访问模型内部信息。在 Chronos-2、TimesFM-2.5 和 Toto-2.0 上进行的十二个真实事件片段和十个合成情景实验中，人工配置的 EST 使样本内真实事件片段的 WQL 降低了 21.7-90\%。在 Chronos-2 上，与协变量条件化、激活编辑和原始重放进行的配对比较中，EST 在十二组比较中的十一组取得领先。该算子用于构建情景，而不是估计其发生概率。