上下文重要性：利用上下文特征进行时间序列预测
原文中文，约600字，阅读约需2分钟。发表于：。本研究解决了当前时间序列预测模型未能有效整合外部上下文信息的问题，尤其是在财务等领域。提出的新方法ContextFormer，可以将多模态上下文信息与现有的预测模型结合，从而显著提高预测精度。研究表明，该方法在多个实际数据集上比当前最先进的模型提高了多达30%的预测性能。
近年来，Transformers在时间序列预测中表现出色，但容易受到时间上下文变化的影响。本文提出了一种校准方法，使用“基于残差的CDS检测器”评估模型脆弱性，并通过“样本级上下文适配器”（SOLID）进行调整。SOLID通过微调预测层提升模型性能，特别是在检测到显著CDS时。实验结果显示，该方法有效提高了Transformers在真实数据集上的表现。
