关于“带有外生变量的时间序列预测TSF-X”目前最新的机器学习/深度学习方法呈现出从“简单拼接”走向“深度耦合”的鲜明趋势。根据2025-2026年的最新文献主流技术路线可归纳为四大范式且2025年已出现针对TSF-X问题的专用模型体系不再是对通用时序模型的修正式改进。以下从方法体系梳理与代表性文献推荐两个维度为你呈现当前前沿图景。一、最新主流方法体系2025-2026技术范式核心思想代表性工作关键突破1. 因果机制建模显式学习外生与内生变量间的因果图而非相关关系DAG, MCST解决“伪相关”与“干预不可知”问题2. 未来外生变量显式利用不再将外生变量与被预测变量同等建模而是设计异构注意力FutureTST突破“外生变量仅能历史输入”的限制3. 轻量化/即插即用模块极小参数量插件适配任意backboneCrossLinear, LightGTS-Cov工业部署友好算力成本极低4. 基础模型/零样本扩展将预训练基础模型适配至外生变量场景TabPFN-TS, TimeGPT无需领域内训练数据开箱即用二、分方向文献推荐与深度解析以下文献均为2025-2026年发表且全部可获取全文或官方摘要每篇均附带核心创新点与可用性信息。【方向1】因果驱动型从“相关”走向“因果” 文献1DAG: A Dual Causal Network for Time Series Forecasting with Exogenous Variables作者Xiangfei Qiu et al.出处arXiv:2509.14933, 2025核心贡献首个专门针对TSF-X问题设计的双因果网络框架。提出时间因果模块建模历史外生变量如何影响未来外生变量。提出通道因果模块建模历史外生变量与历史内生变量的因果关联并注入未来预测。关键结论现有方法忽略因果结构是性能次优的主因。代码论文首页未直接标注但作者单位哈工大通常开源。 文献2MCST: Enhancing multivariate spatio-temporal forecasting via complete dynamic causal modeling作者Keqing Du et al.出处Neural Networks, Volume 191, 107826, 2025核心贡献面向时空多变量场景但核心方法完全适配TSF-X。利用变分推断分离外生因子与潜在混杂因子。同时估计瞬时因果与滞后因果构建结构因果模型SCM。期刊水平CCF B类/中科院二区peer-reviewed可靠性高。适用场景你需要“不仅准还要能解释为什么”的业务场景如故障根因分析、政策评估。【方向2】未来外生变量显式建模Transformer的新角色 文献3FutureTST: When Transformers Meet Future Exogenous Drivers作者Kshitij Tayal et al.出处ICML 2025核心贡献直击痛点现有Transformer将外生变量与目标变量“一视同仁”联合预测无法利用未来已知的外生信息如天气预报、已定促销计划。提出双注意力架构Patch-wise Self-Attention捕捉目标变量自身时序模式Variate-wise Cross-Attention将未来外生变量作为Query动态融合影响。性能提升在多个真实数据集上超越baseline达10%以上。会议级别ICML主会机器学习顶会含金量极高。适用场景你的外生变量中有未来完全已知或可准确预估的部分如节假日、赛程、气象预报。【方向3】轻量化与即插即用工业界的务实之选 文献4CrossLinear: Plug-and-Play Cross-Correlation Embedding for TSF-X作者Miao Yu et al.出处arXiv:2505.23116, 2025(将发表于ACM ICIC 2025)核心贡献提出互相关嵌入模块仅需极小计算开销即可捕获变量间时不变依赖。即插即用可无缝插入Linear、Transformer、RNN等任意主干。在12个真实数据集上验证长短期预测均SOTA。代码https://github.com/mumiao2000/CrossLinear ✅ 已开源 文献5LightGTS-Cov: Covariate-Enhanced Time Series Forecasting作者Yong Shang et al.出处arXiv:2602.10412, 2026核心贡献基于百万级参数量的LightGTS backbone增加仅0.1M参数的MLP插件。插件通过残差修正方式融合历史与未来已知协变量。真实部署验证光伏功率预测、日前电价预测两大能源场景已上线运行。亮点2026年2月最新发布工业落地完整验证。适用场景资源受限的边缘端、已有成熟模型但想低成本引入外生变量。【方向4】基础模型与零样本无需训练的新范式 文献6TabPFN-TS: From Tables to Time – Extending TabPFN-v2 to Time Series Forecasting作者Shi Bin Hoo et al.出处arXiv:2501.02945, 2025核心贡献完全抛弃时序预训练将时序预测转化为表格回归问题。轻量时序特征化 TabPFN-v2表格基础模型11M参数实现SOTA。支持协变量外生变量在GIFT-Eval、fev-bench上达到covariate-informed预测SOTA。代码https://github.com/PriorLabs/tabpfn-time-series ✅ 已开源 文献7Zero-Shot Learning for Multivariate Time Series Forecasting作者NOVA University Lisbon硕士论文核心贡献对比LSTM、GRU、N-HiTS与零样本模型TimeGPT、Tiny Time Mixers。关键发现在外生变量支持下TimeGPT零样本性能与微调模型可比且无需调参。注意此为硕士论文权威性弱于顶会但提供了工业视角的实用性验证。适用场景新业务领域无历史训练数据、需要快速验证外生变量有效性。【方向5】非深度学习的创新融合拓扑数据挖掘TDA 文献8Robust Short-Term OEE Forecasting in Industry 4.0 via Topological Data Analysis作者Korkut Anapa et al.出处arXiv:2507.02890v2, 2026(已更新至第二版)核心贡献将拓扑数据分析TDA作为外生变量特征提取器。提取的持久性同调特征输入SARIMAX提升17%预测精度。已部署于全球灯塔工厂实现7.4% OEE绝对提升。启示深度学习不是唯一路径特征工程经典模型在特定场景依然锋利。三、文献速览表按推荐优先级文献简称方法核心发表时间/出处代码状态推荐指数FutureTSTTransformer 未来外生交叉注意力ICML 2025未标注⭐⭐⭐⭐⭐DAG双因果网络时域通道arXiv 2025.09待查⭐⭐⭐⭐CrossLinear即插即用互相关嵌入ACM ICIC 2025✅开源⭐⭐⭐⭐LightGTS-Cov0.1M参数MLP插件arXiv 2026.02待查⭐⭐⭐⭐TabPFN-TS表格基础模型零样本arXiv 2025.01✅开源⭐⭐⭐MCST动态因果SCMNeural Networks 2025待查⭐⭐⭐TDASARIMAX拓扑特征经典统计arXiv 2026.02待查⭐⭐⭐四、趋势洞察TSF-X正在成为独立研究分支从上述文献可以清晰看到2025年是TSF-X专用模型的“爆发元年”。过去外生变量只是通用模型的“附件”如今已出现DAG、FutureTST、CrossLinear等以TSF-X为核心命题、而非顺带提及的工作。“未来外生变量”成为区分点。FutureTST与LightGTS-Cov都明确将未来已知协变量作为核心设计目标这是与传统多变量预测的本质区别。因果视角从“可选”走向“必需”。DAG和MCST同时指向同一结论忽略因果结构外生变量可能引入噪声甚至误导预测。工业部署可行性被明确验证。LightGTS-Cov、TDASARIMAX均提供了真实系统上线后的性能数据说明TSF-X方法已跨越学术benchmark阶段。