预测者常知道事件即将发生，却不清楚其影响的形状、规模或时间。我们提出事件签名迁移（EST），一种无需训练、模型无关的算子，可将已结束的历史事件转化为明确的预测场景。EST 首先剔除源事件的趋势和季节性，然后将剩余的事件签名按比例缩放并重新映射到目标预测上，保持预测的关联结构，并在强度为零时恰好回到原始预测。由于仅读取输出分位数，EST 可直接作用于任何分位数预测模型，无需访问模型内部或进行额外训练。我们在 Chronos-2、TimesFM-2.5 和 Toto-2.0 上分别对十二个真实案例和十个人工合成场景进行评估，手工配置的 EST 在样本内将加权分位损失（WQL）降低了 21.7%~90%。在 Chronos-2 上，EST 在 12 组对比中有 11 组优于协变量条件、激活编辑和直接重放等基线。需要注意的是，算子仅生成预测场景，并不对其概率进行估计。
点评