Forecasting（预测）指基于历史数据对未来数值、状态或事件走向做出估计的技术，在时间序列分析、气候与流体模拟、智能体决策等领域都处于核心位置。近年来，随着基础模型思路被引入时间序列领域，以及生成式方法向多变量轨迹预测扩展，Forecasting 的研究正从单一任务的专用模型走向更通用、更可迁移的范式。
Forecasting 近期进展
当前焦点与观察点
综合近期工作，Forecasting 领域呈现三个值得关注的方向。其一是基础模型化：Mistral 的 Timestral（209M 参数）与 Salesforce 的 Moirai 等模型表明，零样本/少样本的通用时间序列预测正在成为厂商竞逐的赛道，模型规模与基准成绩的比较会成为常态。其二是生成式与物理建模的融合：PathFM 的多变量轨迹生成预测和 TIDE/TIDES 的 4D 液体速度场演化预测，说明 Forecasting 不再局限于表格型时序数据，正进入科学仿真与连续动力系统。其三是泛化与迁移能力：VaryST 针对开集时空预测提出泛化方案，STSA 则为动态文本属性图的跨域边分类设计迁移学习协议，二者共同指向“超越封闭世界假设”的问题。此外，Co-Evolving Acting and Forecasting for Language Agents 这类工作开始把预测与智能体的行动耦合起来，提示预测能力可能成为通用智能体闭环决策的一环。后续可重点观察：通用时序基础模型在真实业务场景中的落地效果、生成式预测的可控性与计算成本，以及跨域/开集预测能否形成可复用的评测标准。