我院青年教师在中国计算机学会（CCF）推荐的A类国际学术期刊IEEE Transactions on Knowledge and Data Engineering（TKDE）发表题为“iBACon: imBalance-Aware Contrastive Learning for Time Series Forecasting”（DOI: 10.1109/TKDE.2025.3589693）的研究论文。我院为第一完成单位，青年教师张景为第一作者。

图1 ETTm2 数据集样本难度与预测误差分布图

图2 不平衡感知对比学习方法框架概览

       在交通流、能源需求、金融市场等应用场景中，绝大多数时间序列数据样本相对简单且易预测，但少量稀有且极具挑战性的场景（如突发极端天气、电力需求骤增、金融市场瞬时崩盘）却往往造成预测误差的主要来源。以ETTm2数据集为例（图1），不同样本在输入-输出差异（IOD）上的分布存在显著差异，预测误差主要集中在IOD较高的稀有样本上。为应对这一挑战，本研究提出的iBACon方法（图2）通过引入IOD指标量化样本预测难度，并在特征空间内聚集难度相似的样本，实现稀有高难度样本之间的知识共享，从而有效提升其预测精度。具体来说，首先，基于滑动窗口的IOD计算模块，通过t统计量度量输入输出对的均值与方差差异，动态生成伪标签，精准识别难度较高的突发变化场景；其次，趋势-季节性编码器（TSEncoder）在Transformer编码器的基础上，设计趋势和季节性提取器，将时间序列的特征解耦为趋势和周期性两个维度，增强模型对非平稳数据的适应性；最后，基于IOD值的对比损失模块通过定义正负样本对，使得特征空间中的相似难度样本更为聚集，有效提升稀有难例的预测精度。实验结果表明，iBACon在多个公开数据集上展现出优越的性能，特别是在前1%~3%的难度较高样本上，预测误差显著降低，最高可达26%。