发表机构
Applied AI Institute（应用人工智能研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
该研究针对概率时间序列预测中传统模型难以捕捉时间依赖的问题，提出上下文感知对比VAE框架CLaST，通过对比损失学习上下文相似嵌入，在9个基准测试中均优于基线方法，短期与长期预测的CRPS、NMAE均有显著提升。
AI 中文摘要
概率预测模型广泛应用于能源系统、金融、医疗、交通等领域的时间序列预测。近年来，深度生成模型在概率预测任务中表现出色，但许多传统方法难以捕捉内部时间依赖关系，导致潜在表示的表达能力有限。为解决这一局限，我们提出了CLaST——一种用于多元时间序列概率预测的变分自编码器（VAE）框架。与现有生成模型不同，CLaST通过我们的对比损失函数学习能保留观测值之间上下文相似性的嵌入。在9个广泛采用的基准测试上开展的实验表明，CLaST始终优于强大的基线方法。在短期预测任务中，我们的方法相较于排名第二的方法，在连续排名概率得分（CRPS）上的提升最高达16.4%，在归一化平均绝对误差（NMAE）上的提升最高达14.4%；此外，在长期预测中，CLaST取得了更优的整体性能，在CRPS上相较于排名第二的方法高出最高达48.6%，在NMAE上高出最高达25.1%。
英文摘要
Probabilistic forecasting models are widely used for time series forecasting in domains such as energy systems, finance, medicine, and transportation. In recent years, deep generative models have shown strong results on probabilistic forecasting, yet many conventional approaches struggle to capture internal temporal dependencies, leading to latent representations with limited expressive power. To address this limitation, we propose \textit{CLaST}, a VAE framework for probabilistic multivariate time series forecasting. Unlike existing generative models, CLaST learns embeddings that preserve contextual similarity between observations through our contrastive loss function. Experiments across nine widely adopted benchmarks demonstrate that CLaST consistently surpasses strong baseline methods. In short-term forecasting tasks, our approach achieves improvements of up to $16.4\%$ in CRPS and $14.4\%$ in NMAE over the second-best method. Furthermore, in long-term prediction CLaST attains superior overall performance, exceeding the second-best method by up to $48.6\%$ and $25.1\%$ in CRPS and NMAE, respectively.
