Краткое содержание

arXiv:2511.12945v1 Тип: новая публикация Аннотация: Прогнозирование временных рядов в условиях сдвига распределения остаётся сложной задачей, поскольку существующие модели глубокого обучения часто полагаются на локальную статистическую нормализацию (например, среднее значение и дисперсию), которая не учитывает глобальный сдвиг распределения. Методы вроде RevIN и его вариантов пытаются разделить распределение и паттерн, но всё ещё сталкиваются с проблемами пропущенных значений, зашумленных наблюдений и неэффективных покомпонентных аффинных преобразований. Для решения этих ограничений мы предлагаем Affine Prototype Timestamp (APT) — лёгкий и гибкий подключаемый модуль, который внедряет глобальные характеристики распределения в конвейер нормализации-прогнозирования. Используя прототипное обучение, обусловленное временными метками, APT динамически генерирует аффинные параметры, модулирующие как входные, так и выходные ряды, что позволяет базовой модели обучаться на самоконтролируемых, учитывающих распределение кластеризованных примерах. APT совместим с произвольными базовыми архитектурами прогнозирования и стратегиями нормализации, при этом вводя