状态认知
系统现在处于什么状态、阶段或运行机制？观测到的数值是否足以代表真实状态？
01 · Essence
预测的对象不是一个数，而是动态系统的可能未来
过去提供时间证据，情境提供条件证据，知识与约束提供机制证据。 完整预测应回答未来如何演化、结果有多可信，以及哪些行动可以改变结果。
不是简单的 History → Point Forecast
时间序列预测是在不完全信息和持续变化的环境中，识别当前状态与可预测性边界， 生成经过校准的未来场景，并支持有价值的提前决策。
时间序列是复杂系统外部可观测的运行痕迹；预测则是从这些痕迹进入系统认知、 风险判断与决策优化的接口。
Forecasting as conditional inference
p(yt+1:t+H | Ht, xknownt+1:t+H,
Ct, K, at:t+H)
输出应是相互依赖的未来轨迹、概率分布或多种情景，而不只是一个孤立的点。
Ht · 历史
观测、残差与历史状态
xknown · 已知未来
日历、计划与天气预报
Ct · 情境
事件、政策与运行环境
K · 知识
物理规律、因果与领域经验
a · 行动
干预、控制与反馈影响
02 · Value
预测最根本的价值，是把“事后响应”变成“事前行动”
电网启停、水库调度、床位准备、库存采购、云资源扩缩容和设备检修都需要准备时间。 预测给决策系统创造的是提前量，而不仅是一个未来数字。
预测提前量 ≥ 行动准备时间
精度不等于价值
平均误差略大的模型，如果更准确地识别峰值、阈值越界或高风险区间， 可能比平均意义上更准的模型带来更高决策价值。
资源配置
提前安排电力、库存、运力、床位和算力等有限资源。
风险预警
在洪峰、故障、极端天气等低概率高损失事件前行动。
动态控制
为储能、交通和工业过程的滚动优化提供未来信息。
系统韧性
在波动和冲击下提高基础设施与供应系统的恢复能力。
科学认知
用可预测性检验我们对气候、水文、生态和复杂网络的理解。
系统耦合更强能源、天气、交通与市场相互影响
运行波动更大新能源、极端事件与突发需求增加
决策频率更高从月度规划走向分钟级滚动控制
错误代价更高自动决策越来越深入关键基础设施
03 · Distinctiveness
时间序列预测为什么不同于普通分类、回归与生成
它面向尚未发生的目标，在时间外推、分布变化和延迟验证条件下工作； 正确答案往往不是唯一轨迹，而是带有概率、约束和行动条件的一组未来。
目标尚未发生
推理时刻没有可供查找的真实标签。模型必须把历史规律外推到观测区间之外，并等待未来到来后验证。
核心：时间外推、开放世界推断与延迟验证部分观测
负荷、流量、价格和传感器值只是潜在动态系统的投影。预测之前，必须先判断系统当前处于什么状态。
核心：状态重建、机制识别与观测可靠性历史规律会失效
历史是最主要的证据，却不是永远可靠的证据。趋势、周期、变量关系和运行机制都可能发生变化。
核心：判断哪些规律仍有效，哪些已经失效未来是一条联合轨迹
多步未来不能逐点拼接。路径需要保持趋势、相位、峰谷、跨变量关系、层级守恒和物理约束的一致性。
核心：路径正确性，而不只是逐点误差情境部分已知
日期、计划和天气预报可能提前可得，突发事件、临时政策和故障却不可预知。评测必须遵守真实可用信息边界。
核心：历史变量、已知未来与潜在事件分离不确定性属于答案
可信输出应包含区间、分布、场景概率、关键风险和拒答边界；预测触发的行动还可能反过来改变未来。
核心：Forecast + Confidence + Evidence + Action
关键区别
数学与代码问题通常是信息充分但求解过程复杂；时间序列预测往往是 信息本身不充分、环境持续变化且未来具有随机性。在这里，“不确定”不是没算出来， 而可能是最诚实、最有用的答案。
04 · Scientific Questions
真正困难的不是把模型做得更大，而是回答六个基础问题
这些问题决定了模型什么时候有信息、如何识别转折、怎样表达风险，以及离线高分能否转化为真实价值。
可预测性边界
什么变量、什么时刻、在什么信息条件下能够预测？有效预测跨度在哪里结束？
如何区分模型能力不足与系统本身不可预测？状态与机制重建
如何从有限、含噪、缺失或不规则采样的观测中，恢复不可直接观测的内部状态与机制切换？
数值突变是观测错误，还是系统真正换挡？时序结构认知
如何把斜率、周期和变点组织成上升、峰值、滞后等可组合的时序原语与情境模式？
如何同时保持数值精度与语义可推理性？非平稳与长尾
如何识别新机制、快速适应极少样本，并避免模型用最常见的历史模式抹平真正重要的极端事件？
常态表现很好，为什么关键异常仍会失败？联合一致性
如何让多步、多变量、多空间和多层级预测同时满足路径依赖、传导关系、聚合与物理约束？
局部都合理，组合后是否仍可能真实发生？可信评测与决策价值
如何避免时间泄漏和预训练污染，并同时评价准确性、校准、稳健性、效率和下游决策成本？
离线平均误差更低，是否真的让现实决策更好？05 · Capability Chain
完整预测系统应形成“快预测—慢认知—决策反馈”闭环
模型只是系统中的一个组件。常规样本优先走低成本 Fast Path；当出现分布外情境、 模型分歧或高决策风险时，再触发 Slow Path 获取证据、推理机制、生成场景并校验结果。
Fast Path · 数值锚点与基础预测
Slow Path · 情境、推理与校验
Decision Loop · 行动与持续适应
任务与决策定义
明确变量、跨度、更新频率、信息边界和不同错误成本。
数据感知
诊断缺失、错位、异常、延迟、传感器故障和版本泄漏。
快速预测
用统计、树模型、专用模型或基础模型提供数值锚点与先验。
可预测性诊断
判断 OOD、模型分歧、机制切换、风险与额外信息价值。
情境与工具
按需检索事件、天气与相似案例，调用物理或分析工具。
机制推理
判断当前状态、历史有效性、驱动因素、影响方向和幅度。
场景生成
产生基准、情境修正、乐观、悲观和极端风险轨迹。
校准与拒答
检查数值、情境、物理与决策一致性，校准区间或拒绝精确预测。
决策与反馈
触发稳健行动，用真实结果更新模型、规则、校准与数据。
ROUTE
选择性认知，而不是所有样本都慢思考
经典小模型不是需要被淘汰的旧范式，而是高效可靠的快速通道。 真正的预测智能在于知道历史什么时候已经足够，什么时候必须寻找新证据、调用工具、请求人工判断或承认不可预测。
06 · Paradigm Shifts
从“给出未来数值”走向“理解、验证并使用未来”
六个转变共同把研究重心从单模型精度推进到系统级预测智能。
Research Vision
时间序列预测的主要矛盾，不是如何把历史映射成未来，而是如何在不完全信息和持续变化的环境中， 判断历史何时仍然有效、未来何时可能转折、预测何时值得信任，以及如何把有限的未来认知转化为提前行动。
07 · Our Research
USTC-AGI 时间序列预测研究版图
我们从数值建模与表征学习出发，逐步推进通用预训练、语义理解、慢思考推理与智能体自主交互， 让预测从单次前向映射走向可诊断、可获取、可反思、可决策的系统能力。
六大技术路径
从数值表征到预测智能的能力递进
理解复杂动态结构
围绕非平稳性、层次生成、解耦建模与预测后修正，夯实时间序列自身的数值建模能力。
学习可迁移时序表征
通过 masked autoencoder、扩散式自回归和大规模预训练，利用无标注数据提取通用结构。
连接跨域知识与局部适应
探索多域预训练、零样本迁移与少样本适配，并识别可迁移结构和不可迁移机制。
让模型理解情境证据
把文本、事件和更细粒度语义线索引入预测，解释数值变化背后的条件与驱动。
显式分析、反思与校验
通过链式分析、强化学习、经验回看和记忆调用，让预测过程可检查、可修正。
规划、工具调用与闭环行动
研究人机协同、工具增强和多智能体工作流，把模型升级为可在环境中执行任务的预测系统。
代表性工作
对应六类能力路径的持续探索
ConvTimeNet / Slice-level Adaptive Normalization
非平稳建模、生成式预测与自监督表征学习。
TimeMAE / TimeDART / GPHT
用大规模无监督预训练提升时序表征的迁移能力。
时序基础模型系列 Coming Soon
大规模多域预训练、零样本预测与跨任务泛化。
TokenCast / CoGenCast
从纯序列建模走向多模态语义理解与跨域迁移。
TimeReasoner / Time-R1 / MemCast
慢思考、强化学习 reasoning 与经验记忆驱动预测。
AlphaCast / Cast-R1 / CastClaw
人机协同、工具增强决策与多智能体预测工作流。
Applications
从预测信号走向真实系统中的提前行动
面向负荷、新能源与水文场景，连接任务定义、公开数据、概率预测、风险指标和决策语义。
需求、峰值与调度提前量
梳理 GEFCom、ISO-NE、AEMO、ENTSO-E、ECL 等公开数据及其研究边界，并提供交互式预测演示。
进入负荷预测页面 →天气驱动、爬坡与不确定性
通过光伏和风电情景演示未来轨迹、P10–P90 区间、峰值与爬坡风险，理解预测如何服务调度。
进入新能源预测页面 →降雨—径流、洪峰与风险预警
以流域、降雨情景和不同预测跨度展示径流轨迹与不确定性，连接水文过程认知和洪水预警。
进入水文预测页面 →页面中的交互曲线用于解释任务、场景与决策关系，属于可复现的教学型模拟，不代表真实实验结果、业务预测或部署承诺。
References
参考与延伸阅读
下列资料分别提供早期预警、部分观测下可预测性、决策导向预测和新一代评测的外部证据； 本页的“预测智能”框架是对这些问题与研究实践的综合凝练，并非来源机构的官方定义。
World Meteorological Organization
Early Warnings for All
监测、分析与预测在端到端多灾种早期预警系统中的作用。
Scientific Reports Predictability limit of partially observed systems部分观测与采样程度对动态系统可预测性边界的影响。
Decision-focused forecasting Decision-Focused Fine-Tuning of Time Series Foundation Models从平均预测误差进一步考察下游调度目标与决策成本。
Forecasting benchmarks It’s TIME: Towards the Next Generation of Time Series Forecasting Benchmarks围绕新鲜数据、真实设置、信息可用性和可预测性的评测讨论。