摘要
时间序列预测在金融、能源、交通、公共卫生及工业监测等领域支持决策。近期的基础模型在跨预测任务的迁移上有所改进，但许多模型依赖于集中式数据和Transformer注意力机制，这限制了它们在长、高维及隐私敏感信号中的应用。本文提出了QuantFlow，一个结合了反向序列嵌入、双向Mamba状态空间解码器、分位数回归和联邦学习的概率预测框架。
每个变量在完整的观察窗口上进行嵌入，正反向处理，并投影到五个条件分位数。TSMixup通过Dirichlet加权插值扩展时间多样性，同时保持序列结构。实验涵盖了加密货币、交通、电力、电力变压器温度、流感和天气数据。QuantFlow在ETTm1上的均方误差为0.2834，在Weather上的均方误差为0.2218，并且在20个客户端的非IID部署中，经过三轮通信后保持了良好的准确性，而无需集中原始记录。
结果表明，选择性状态空间建模是可扩展、不确定性感知和隐私意识的时间序列预测的有希望的基础，同时也揭示了对不规则流行病信号和长时间范围泛化的局限性。
博主点评： QuantFlow的创新之处在于其结合了联邦学习与状态空间模型，使得时间序列预测不仅高效而且保护了数据隐私。尽管在特定领域表现优异，但在处理长时间范围和复杂信号时仍需进一步优化。