CATF: A Manager-Worker Framework for Context-Aware Time-Series Forecasting

📄 arXiv: 2611.05325v1 📥 PDF

作者: Yueqiao Chen, Dongyu Liu

分类: cs.LG

发布日期: 2026-11-03

备注: 21 pages of main text (including references), with 4 figures and 3 tables, plus 16 pages of appendices

💡 一句话要点

提出CATF框架以解决多样化上下文下的时间序列预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 上下文感知 管理者-工作者架构 Transformer 集成学习 模型优化

📋 核心要点

  1. 现有的时间序列预测方法在面对多样化上下文时，难以有效捕捉所有状态，导致预测性能下降。
  2. CATF框架采用管理者-工作者架构，通过Transformer管理者进行硬路由，使工作者专注于特定的上下文模式，避免了手动数据划分。
  3. 在五个数据集上进行的实验表明，CATF在162个比较中超越了独立模型，显示出显著的性能提升。

📝 摘要（中文）

我们研究了上下文感知的时间序列预测，其中单个目标变量基于其历史数据和一组上下文变量（如天气和日历信息）进行预测。随着上下文的多样化，单一模型难以捕捉所有的状态，而集成学习和专家混合方法依赖于手动数据划分或软路由，这增加了推理成本并降低了解释性。我们提出了CATF，一个基于管理者-工作者架构的上下文感知时间序列预测框架：基于Transformer的管理者根据上下文将每个输入路由到单个工作者，在训练和推理过程中使用硬路由。工作者因此能够专注于特定任务，而任何单模型预测器都可以作为工作者。在五个上下文丰富的数据集、四个预测时段和两种归一化方案上，CATF在200个比较中有162个超越了其独立对手，最佳的CATF增强模型在20个设置中有19个超越了最佳独立基线，并在20个设置中有15个超越了零-shot Time-MoE基础模型。对共享单车数据的案例研究表明，管理者通过日历路由输入，每个工作者专注于不同的周模式。

🔬 方法详解

问题定义：论文旨在解决上下文感知时间序列预测中的多样化上下文问题，现有方法在处理复杂上下文时表现不佳，导致预测准确性降低。

核心思路：CATF框架通过管理者-工作者架构实现硬路由，管理者根据上下文将输入分配给不同的工作者，使得每个工作者能够专注于特定的上下文模式，从而提高预测性能。

技术框架：CATF的整体架构包括一个基于Transformer的管理者和多个工作者。管理者负责接收输入并根据上下文信息进行路由，工作者则独立进行预测，形成一个高效的预测系统。

关键创新：CATF的主要创新在于使用硬路由机制，使得工作者能够在没有手动数据划分的情况下专注于不同的上下文模式，这与传统的软路由方法形成鲜明对比。

关键设计：在设计上，CATF使用了Transformer网络作为管理者，工作者可以是任何单模型预测器，损失函数和参数设置经过优化，以确保在不同上下文下的预测性能。通过这种设计，CATF在推理时能够快速响应不同的上下文变化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CATF在五个上下文丰富的数据集上进行了评估，结果显示在200个比较中有162个超越了独立模型，最佳CATF增强模型在20个设置中有19个超越了最佳独立基线，并在15个设置中超越了零-shot Time-MoE基础模型，展现出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括气象预测、交通流量预测和经济指标预测等，能够为决策提供更准确的依据。通过提高时间序列预测的准确性，CATF框架有望在智能城市、供应链管理等多个领域产生深远影响。

📄 摘要（原文）

We study context-aware time-series forecasting, in which a single target variable is predicted from its own history and a set of contextual variables, such as weather and calendar information. As the context becomes more diverse, a single model struggles to capture all of its regimes, while ensemble learning and Mixture-of-Experts approaches rely on manual data partitioning or soft routing, which increases the inference cost and hinders interpretability. We propose CATF, a Context-Aware Time-Series Forecasting framework built on a Manager-Worker architecture: a Transformer-based Manager routes each input to a single Worker based on the context, using hard routing during both training and inference. The Workers thus specialize without manual data partitioning, and any single-model forecaster can serve as a Worker. On five context-rich datasets, four horizons, and two normalization schemes, CATF improves over its standalone counterpart in 162 of 200 comparisons, the best CATF-enhanced model outperforms the best standalone baseline in 19 of 20 settings, and it outperforms the zero-shot Time-MoE foundation model in 15 of 20 settings. A case study on bike-sharing data shows that the Manager routes inputs by the calendar and that each Worker specializes in a different weekly pattern.