arXiv cs.AI· Yiyang Zhang, Yuli Zheng, Bin Li, Meimei Zhang, Qiang Sun·· 11 小时前AI 评分22
FARR：面向长时程时间序列预测的预测感知残差精炼方法
FARR: Forecast-Aware Residual Refinement with Matched Endpoint Evidence for Long-Horizon Time-Series Forecasting
AI 导读
研究者提出 FARR（Forecast-Aware Residual Refinement），通过对比标准条件与预设空条件下的预测差异获取端点证据，再由共享残差精炼器结合历史特征估计有效预测的剩余误差，并用逐时程门控控制残差贡献。在四个长时程预测基准上，FARR 取得对比方法中最佳的数据集平均 MSE 和 MAE。代码将公开。
正文 · AI 翻译
摘要：大型语言模型使用辅助条件将额外信息纳入时间序列预测。然而，辅助条件并不能持续提升准确率，当其影响与观测到的时间上下文匹配不佳时，还可能增加预测误差。我们提出预测感知残差精炼（FARR），它学习利用端点证据来校正预测。FARR 在标准条件下获得有效预测，在预定义的空条件下获得空预测。二者的差异揭示了条件如何改变预测。一个共享的残差精炼器将这一端点证据与历史特征结合，以估计有效预测的剩余误差。随后，逐时间步门控控制预测残差对最终输出的贡献。在四个长时程预测基准上的实验表明，FARR 在对比方法中取得了最佳的数据集平均 MSE 和 MAE。代码将发布于 此 https URL。
| 评论： | 10 页，3 幅图，4 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.07870 [cs.AI] |
| （或 arXiv:2611.07870v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07870 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhangyiyang Zhang Yiyang [查看电子邮件]
[v1]
2026 年 11 月 5 日星期四 11:45:32 UTC（1,364 KB）
来源：arXiv cs.AI · arxiv.org