自监督表征学习通过从未标记数据中捕获鲁棒特征，推动了时间序列预测的进展。现有的对比学习和遮蔽方法往往把时间滞后视为噪声，或破坏了预测所需的时间动态。为克服这些缺陷，本文提出 OliO（ODE-based Linear Transition Operator），一种即插即用的自监督学习框架，学习双向时间流并将其建模为连续且结构一致的动力系统。OliO 引入基于线性常微分方程的转移算子 $$\dot{z}(t)=A z(t)$$，其中转移矩阵 $A$ 被强制为严格上三角形。上三角约束在数学上保证数值稳定，并形成多项式边界，使模型能够捕获长期依赖，同时避免无约束 ODE 模型常见的指数发散。该结构促成了时间一致的潜在空间，保留了预测所必需的底层流动。实验在多种主干网络和基准数据集上进行，结果显示 OliO 将均方误差（MSE）相较于最强基线降低最多 5.75%。代码已开源：https://github.com/eai-lab/OliO
点评：OliO 通过上三角线性 ODE 将时间序列的连续流动显式建模，兼顾稳定性与长程依赖，是自监督预测的一个重要突破。