Web 平台的核心往往是多变量时间序列，例如服务遥测、Web 流量日志以及通过 API 提供的传感器流。出于存储和带宽考虑，常把这些序列以粗粒度归档，导致自动扩容、告警、计费等业务需要的细粒度预测无法直接得到。为此我们提出多变量时间序列超分辨率预测（MTS‑SRF），任务是从粗粒度历史推断细粒度未来，并设计了 TimeMagnifier 来应对三大挑战。
Fourier Anchor 通过将每个输入窗口拟合为趋势‑Fourier 结构并使用稀疏跨变量门控，缓解数据稀疏问题。De‑noise Only 只在分辨率轴上细化，而非在噪声轴上，从而逐层延伸网格，约束细粒度的歧义。banded DTW Alignment 在粗粒度预测的基础上，对跨分辨率的错位进行动态时间规整校正。
在首个 MTS‑SRF 基准上，使用来自五个领域的十个数据集、真实的跨分辨率配对、强化的基线改造以及五次随机种子显著性检验，TimeMagnifier 在所有数据集、分辨率系数和评估指标上均优于 15 种基线，平均降低 MSE 12.3%。其 De‑noise Only 与 DTW 阶段还能作为插件，帮助现有预测模型再降低 5.1%~9.0% 的 MSE。代码将在公开仓库中发布。
点评