DAG 革新时间序列预测，代码、数据、排行榜全开源 | ICML'26

📌 一句话摘要

华东师范大学团队提出 DAG 框架，利用时间和通道双重相关网络，有效整合历史与未来外生变量信息，显著提升时间序列预测准确性。

📝 详细摘要

本文介绍了华东师范大学决策智能实验室提出的 DAG 框架，用于解决含外生变量的时间序列预测问题。现有方法未能充分利用未来外生变量，且忽略了内生变量与外生变量间的相关关系。DAG 框架通过时间相关模块和通道相关模块，分别建模并注入时间维度和通道维度上的相关关系。时间相关模块捕捉历史外生变量对未来外生变量的影响，并将此关系注入基于历史内生变量的预测中；通道相关模块则建模历史外生变量对历史内生变量的影响，并将其迁移到基于未来外生变量的预测中。在 12 个真实数据集上的实验表明，DAG 在长短期预测任务中均优于 GCGNet、TimeXer、TFT 等 9 个基线方法。消融实验验证了双重相关机制的有效性。该研究还开源了 TSF-X 数据集、代码和排行榜。

💡 主要观点

1. DAG 框架通过双重相关网络充分利用未来外生变量。 现有方法要么忽略未来外生变量，要么缺乏相关关系约束。DAG 在时间和通道两个维度上发现并注入相关关系，有效利用未来协变量信息，提升预测精度。
2. 时间相关模块建模历史外生变量对未来外生变量的影响。 该模块通过相关发现模块捕捉历史外生变量如何影响未来外生变量，并通过相关注入模块将这种关系整合到基于历史内生变量的未来内生变量预测中。
3. 通道相关模块建模并迁移历史外生变量与内生变量间的交互模式。 该模块首先建模历史外生变量对历史内生变量的影响，然后将这种相关模式迁移到未来外生变量与内生变量之间，增强基于未来外生变量的预测。
4. DAG 在多个真实数据集上取得了最先进的预测性能。 在 12 个数据集上与 9 个基线方法对比，DAG 在长短期预测中均表现最优。消融实验验证了双重相关机制各自的有效性。

💬 文章金句

• DAG 框架利用时间与通道双重相关网络，有效整合历史与未来外生变量信息，提升时间序列预测准确性。
• 现有外生变量时间序列预测方法（TSFX）存在两个主要缺陷：1）未能充分利用未来外生变量；2）忽略内生变量与外生变量间的相关关系。
• 这种「双重相关结构」仍是一个尚未得到充分研究但极其关键的特征。
• DAG 实现了最先进的预测性能。

📊 文章信息

阅读完整文章