摘要
长期预测因其在处理长序列时所面临的时空复杂性而面临独特挑战。现有方法通常依赖滑动窗口机制来处理长序列，但难以有效捕捉部分存在于短窗口之外的长期变化特征（即“窗口外变化”）。本文提出一种新方法，通过引入对比学习与增强型分解架构，克服了这一局限，特别聚焦于长期变化模式的建模。为此，我们的对比损失函数引入了整个时间序列所包含的全局自相关性，从而在自监督框架下实现正负样本对的构建。结合所设计的分解网络，该对比学习机制显著提升了长期预测的性能。大量实验结果表明，在九个长期预测基准上的多项测试中，本方法优于14种基线模型，尤其在需要生成显著长序列输出的复杂预测场景中表现突出。项目源代码已公开，地址为：https://github.com/junwoopark92/Self-Supervised-Contrastive-Forecasting。