北大林宙辰团队提出DistDF：基于分布对齐的时间序列预测新方法

在时间序列预测中，模型结构不断演进，但训练阶段几乎都依赖均方误差（MSE）等点对点误差损失函数。这种做法隐含了标签序列各时间点相互独立的假设，与真实时间序列数据的生成机制相悖，导致模型难以捕捉标签序列的整体形态和相关性。

北京大学林宙辰团队深入分析了这一问题，并提出了DistDF——一种通过联合分布对齐训练预测模型的损失函数。DistDF规避了传统方法中的独立性假设，直接对齐预测序列和真实标签的条件分布。为解决样本稀缺问题，研究利用概率恒等式将条件分布匹配转化为联合分布匹配，并结合最优传输理论证明，最小化联合分布的Wasserstein距离可有效实现条件分布对齐。

DistDF的实现流程包括：构造联合序列、计算Wasserstein距离，并将其与MSE加权融合。实验表明，DistDF显著优于现有方法，在多种预测模型上均表现出一致的性能提升。此外，可视化分析显示，采用DistDF训练的模型能更好地跟随序列中的突发变化，学习到更接近真实数据的分布形态。

这项研究不仅适用于时间序列预测，还揭示了多任务学习中损失函数设计的关键问题。传统方法常忽略任务间的相关性，而DistDF通过分布对齐实现了对整体随机过程的建模，为语音合成、轨迹预测等任务提供了通用的解决方案。

论文第一作者为浙江大学博士生王浩，通讯作者为北京大学林宙辰教授。本研究得到了北京市科学技术委员会和中关村科技园区管理委员会的支持。

论文地址：https://arxiv.org/pdf/2510.24574v1
参考链接：https://zhouchenlin.github.io/