长期时间序列预测（LTSF）任务以当前序列为输入，预测未来序列，在天气预报、用电规划等场景中至关重要。现有最先进模型在不同滞后输入序列对应的相同时间戳上往往无法保持输出一致，表现为输出对齐度低，导致同一时间点的预测值出现波动，削弱模型可靠性。
为了解决该问题，本文提出 AliO（Align Outputs），通过在时域和频域同时约束预测输出，使同一时间戳的结果更加一致。核心思想是最小化不同滞后序列产生的预测差异，并在训练损失中加入对齐项。
此外，本文定义了新的评价指标 TAM（Time Alignment Metric），专门衡量预测输出之间的对齐程度。与传统的均方误差（MSE）只关注预测与真实值的距离不同，TAM 直接量化不同预测序列在同一时间点的相似度。
实验在多个公开 LTSF 基准上进行。结果显示，AliO 能将 TAM 提高最高 58.2%，同时预测精度也有显著提升，最高达 27.5%。更好的对齐性提升了模型在实际应用中的可信度。
总体而言，AliO 通过对齐约束和 TAM 指标，为提升长周期时间序列预测模型的可靠性提供了一条有效路径。
点评