时间序列预测模型在不断变化的环境中被广泛部署。预测发布后，后续观测逐步到达，揭示模型的失误。已有方法主要把这些观测当作监督信号用于参数更新，却未明确已验证的预测误差能否直接作为因果反馈来修正未来预测。为此我们提出误差反馈校准（Error Feedback Calibration，EFC），它是一种仅在测试阶段生效的确定性后置校正框架。
EFC 首先从重叠的历史预测中提取已揭示的误差，构建因果误差对角（Causal Error Diagonal，CED），从而呈现冻结预测器近期的失效行为。随后，累计误差传输（Cumulative Error Transport，CET）利用累计估计将该误差状态映射到未来残差，并通过时序样本外验证调节校正强度。进一步地，时序残差学习（Temporal Residual Learning，TRL）仅对 CET 之后剩余的残差结构进行预测，避免重新学习完整的预测误差。
在多个预测主干模型和数据集上的广泛实验表明，EFC 能显著提升预测精度，同时有效抑制过度校正带来的负面影响。
点评