Mamba4Cast：基于状态空间模型的高效零样本时间序列预测

基于摘要分析。Mamba4Cast 研究通用时间序列的零样本预测：模型基于 Mamba 架构，受 Prior-data Fitted Networks（PFNs）启发，仅使用合成数据训练，旨在无需针对具体数据集微调即可预测真实世界时间序列。其主要贡献是通过单次前向计算生成完整预测区间，以降低推理开销。 机制与对照：摘要强调状态空间模型架构与整段预测方式，而非传统自回归式逐步生成。作者报告，在多种数据集上，Mamba4Cast 与其他先进时间序列基础模型具有竞争力，相较基于 Transformer 的时间序列基础模型推理耗时更低，并在预测长度增加时表现出更好的扩展性。摘要未提供数据集名称、划分、指标、具体数值、硬件或计时条件，因此尚不能量化这些收益，也不能确定其适用边界。合成数据的生成分布、训练目标、PFNs 思路的具体实现、实验协议、消融及统计信息尚未验证。摘要提供了源码入口，但实现内容及复现条件尚未核对。 平台推测（待验证）：其原研究对象是通用时间序列预测，而非 EEG 解码。一个可检验的迁移假设是，将合成数据预训练与整段预测用于 EEG 连续信号预测，考察长预测区间下的推理效率；这不等于已经获得 BCI 任务收益。可复用候选是 Mamba 序列建模与单次前向预测机制，需核对或改造多通道输入、采样率适配及合成数据分布。EEG 的低信噪比、跨被试差异、通道变化和有限真实数据可能使合成先验失配。小规模验证可固定数据划分与硬件，在被试内及跨被试协议下，对多个预测长度同时记录预测误差与推理耗时，并与匹配条件的自回归及 Transformer 预测基线比较。已有 EEG 相关工作尚未检索确认。