用于时间序列预测的证据引导动作世界模型

基于摘要分析。本文研究电力市场与零售等场景中的时间序列预测：外部因素对未来演化的影响可能依赖系统当前状态，而仅将外部证据作为预测输入，难以显式描述这种动态响应。作者提出 Evidence-Guided Action World Model（EGA-WM），将外部证据条件下的预测表述为动作条件化的世界模型问题。 核心机制是通过 primitive bank 学习潜在动作空间，根据外部证据与当前状态推断潜在动作，再将动作纳入潜在状态转移，并建模其持续影响。这里的“动作”表示系统对外部影响的潜在动态响应，不应直接理解为真实控制指令或已识别的因果干预。相较于直接学习外部证据到未来观测的映射，方法强调对“证据—状态相关响应—未来动态”的显式建模；具体模块实现、损失函数、训练与推理流程尚未验证。 作者报告，在电力市场和零售数据集的多种预测场景中，EGA-WM 展现了有效性。摘要未给出数据集名称、划分、预测跨度、指标、对照基线或结果数值，实验协议、消融及统计信息尚未验证，不能据此判断优势幅度或复现成本。 平台推测（待验证）：若 EEG 数据具有时间对齐的刺激或任务事件记录，且事件后的信号演化依赖当前脑状态，可假设该机制有助于处理外部事件条件下的 EEG 预测，而非直接视为 BCI 解码改进。潜在动作与持续效应建模可能复用，但需改造 EEG 观测编码及事件表示；其对数据规模和监督的要求尚不明确。低信噪比、通道差异、跨被试变化及小数据可能导致潜在动作难以稳定识别。可在固定被试内划分和相同预测跨度下，比较外部事件直接拼接与潜在动作建模，并通过打乱事件时间检验增益是否依赖正确的外部证据。已有 EEG 相关工作尚未检索确认。