因果视角下：时间序列预测新成果
量子位 ｜ 2026-09-19

真实世界的时间序列，不仅被外部事件冲击，也被人为决策持续重塑。

来自中科大和阿里巴巴的研究团队提出CEDAR“双重解耦”建模框架：动作交错Transformer显式刻画人为决策对序列的影响，残差修正模块实现外界干预因子的语义融合。

研究团队在阿里1688约3200万条商品轨迹上验证了方法的有效性，预测误差较最优基线降低超57%，线上A/B测试带来商家LTV提升13%、店铺ROI提升15%。

从一个“答不上来”的问题说起

以1688平台上的一位商家为例，月底需要制定下季度的营销规划。商家打开数据后台，提出了一个自然的问题：

“如果商家在接下来三周将广告预算提高50%，同时打九折，销量会变成什么样？”

点 击 图 片 看 原 图

△决策条件模拟示意：给定历史与未来动作，比较不同经营方案下的需求轨迹

遗憾的是，市面上绝大多数时间序列预测模型都答不上来。它们能做的是另一件事——看着历史曲线告诉商家“照这个趋势，下周大概卖这么多”。至于商家“打算做什么”，它们要么视而不见，要么只是把商家的决策当作一个普通特征拼进输入，学出一堆相关而非因果的规律。

这个问题并不局限于电商。在能源调度、交通管理、金融投资等场景中，决策者真正需要的往往不是“预测未来会发生什么”，而是“如果采取这套行动方案，未来会发生什么”。研究团队将这类问题形式化为决策条件模拟（decision-conditioned simulation）：给定历史状态与一套未来的动作序列，推演时间序列在该方案下的演化轨迹。