先校正，再预测：用于时间序列预测的观测器状态空间模型

基于摘要分析。本文研究循环时间序列预测模型在观测可用的上下文阶段与观测不可用的预测阶段之间的动力学不一致问题，提出 Observer State-Space Models（OSSMs）：将输入时间序列视为底层自治动力系统的测量，由观测器校正潜在状态，而非让观测直接控制状态传播。 核心机制是显式分离潜在状态传播与测量融合：上下文区间和预测区间共用同一状态转移，观测存在时用于修正状态估计。作者指出，这一形式使可观测性与状态估计误差收敛等控制理论性质能够被明确讨论，并称传统及近期 SSM 可作为该框架的特例，从而统一解释其循环动力学。具体包含哪些模型、成立条件及所揭示的不一致性，尚需全文核对。 作者报告，在若干时间序列预测基准上，OSSM 相较对应 SSM 基线取得显著改善，同时保持相同参数量和训练设置。摘要未提供基准名称、数据划分、预测跨度、评价指标及提升数值，因此目前不能判断收益的适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务需要在短时观测后预测连续信号或潜在状态，该机制可能用于检验“观测校正”能否减轻有观测与无观测阶段的切换问题，但这不是已证实的 BCI 收益。其依赖时间有序的上下文与未来目标，以及可由潜在动力学近似描述的过程；观测器和状态传播机制或可复用，通道映射、测量模型及预测目标需适配 EEG。低信噪比可能使校正追随伪迹，跨被试非平稳性、通道变化和小数据也可能破坏状态估计。一个可证伪的小实验是在固定 EEG 被试内划分、上下文长度与预测跨度下，以相同参数量和训练设置比较 OSSM 与对应 SSM，并按信噪比条件检查预测误差；若改善不稳定，则不支持这一迁移假设。已有 EEG 相关工作尚未检索确认。