長期時間序列預測（LTSF）旨在根據歷史觀測數據預測目標變量的未來值，在許多實際應用中發揮著重要作用，例如能源管理[1]、金融決策[2]和環境監測[3]。深度學習的最新進展極大地提高了LTSF的性能。最先進的模型采用了精心設計的架構來捕捉時間依賴性，包括基于Transformer的方法（例如iTransformer [4]、PatchTST [5]、TwinsFormer [6]）和MLP風格的架構（例如xPatch [7]、PatchMLP [8]、SparseTSF [9]、TimeMixer [10]、HDMixer [14]、CycleNet [15]）。

盡管取得了這些進展，但在長預測范圍內，預測準確性仍然顯著下降。現有方法主要關注短期準確性，常常忽視了誤差累積和長期預測中固有的不確定性所帶來的影響。這種忽視削弱了預測的可靠性，尤其是在模型面臨突然波動或異常趨勢時。隨著預測范圍從幾十步擴展到幾百步，誤差累積、數據非平穩性和序列突變等挑戰變得更加突出，嚴重限制了模型的魯棒性。如圖1所示，包括iTransformer [4]、TimeMixer [10]、WPMixer [16]和SparseTSF [9]在內的主流模型生成的預測結果隨時間逐漸偏離真實值。

這些觀察結果引出了一個核心問題：是否可以將預測可靠性的下降建模為一個動態的、可預測的風險信號？并且能否利用這一信號系統地校準預測行為？要回答這個問題，需要在三個維度上克服技術挑戰：

• •
  可預測結構與波動性波動的糾纏。在現實世界的時間序列中，穩定成分（如水平、季節性和趨勢）通常與不規則的殘差波動和突發沖擊共存。如果這些異質性的變化源沒有得到明確分離，風險估計就會變得非常復雜。結果，模型往往會將穩定模式誤認為是不確定性，產生虛假的風險信號，從而削弱后續決策的可靠性。
• •
  風險分布的非平穩性。長期預測中的風險本質上是非平穩的：預測誤差的方差和分布形狀會隨時間和預測范圍的變化而變化。實證序列經常表現出重尾分布[17]、波動聚集[18]和分布偏移[20]。這種動態特性使得簡單的高斯假設或與預測范圍無關的風險模型變得不適用，通常會導致在波動區域產生過度自信的估計，在穩定時期產生過于保守的估計。
• •
  可解釋的風險整合。風險的來源應該能夠追溯到特定的成分、變量和時間步驟，并且它們對預測的影響應該是單調且可解釋的。例如，較高的風險水平應該對應于更強的校準效果，以防止引入可能降低準確性的虛假相關性。因此，第三個挑戰是以原則性的方式將風險信號應用于模型的預測機制中，建立風險與預測行為之間的明確關系，為可靠的預測提供堅實的基礎。

為了解決這些挑戰，我們提出了RATE——一種基于風險的自適應時序預測模型，它可以建模預測不確定性，并將其作為風險信號來校準預測結果，從而提高預測準確性。具體來說，為了解決第一個挑戰，RATE首先使用多尺度語義分解（MSD）模塊將輸入序列分解為穩定成分（水平、季節性和趨勢）以及波動性殘差，后者被認為是風險的主要來源。在預測階段，為了有效分離穩定模式的建模和非平穩風險，RATE采用了雙分支并行架構：穩定性預測器（SP）生成穩定預測結果，而專門的不確定性預測器（UP）在趨勢的背景下對殘差進行建模，使其能夠解釋相對于宏觀趨勢的短期波動，從而產生調節融合強度的明確風險信號和相應的預測修正。最后，風險感知融合（RAF）模塊引入了一種逐步的單權重融合門控機制，將風險信號轉換為門控權重，動態調節校準預測和穩定預測之間的融合程度。通過控制每個時間步驟中校準預測的貢獻，這種機制增強了模型決策過程的可解釋性。這種創新架構將預測任務轉變為一個由風險驅動的動態決策框架，使RATE不僅能夠提供高精度的預測，還能在穩定模式和波動性不確定性之間自主平衡，從而在每個未來時間步驟生成更可靠和穩健的預測結果。我們的主要貢獻總結如下：

• •
  我們提出了一種新的預測框架，該框架明確地對預測風險進行建模，并將其作為校準信號用于初步預測。這種范式測量并將風險轉化為一個動態的調節信號，指導何時以及如何調整預測，為更可靠的長期預測提供了原則性的途徑。
• •
  我們設計了RATE，這是一種雙分支架構，它將穩定預測與殘差風險估計分開，并通過一個單調的、風險感知的融合機制將它們結合起來。這種設計確保在穩定條件下預測結果保持穩健，同時在波動性條件下動態地結合風險驅動的修正，提供了可解釋性和適應性。
• •
  我們在八個長期預測基準和多個預測范圍內進行了廣泛的實驗。結果表明，我們提出的方法在大多數設置中都顯著提高了準確性，同時生成的不確定性信號與實際波動性高度一致，從而強調了其在非平穩風險下的可靠性。