QuantFlow：基于联邦Mamba的后Transformer时序预测基础模型
时间序列预测在金融、能源、交通、公共卫生和工业监测等领域支撑着关键决策。近期涌现的基础模型虽提升了跨任务迁移能力，但大多依赖中心化数据和Transformer注意力机制，在处理长序列、高维度和隐私敏感信号时捉襟见肘。来自多所机构的研究团队提出了一种名为 QuantFlow 的概率预测框架，巧妙融合了倒置序列嵌入、双向Mamba状态空间解码器、分位数回归与联邦学习，为时序预测领域带来了新的解题思路。
核心设计：倒置嵌入 + 双向Mamba
QuantFlow 的架构设计颇具巧思。首先，它采用 倒置序列嵌入 策略：将每个变量在整个观测窗口上的时间步进行嵌入，而非将同一时间步的所有变量拼合。这种处理方式能更好地捕捉变量自身的长期依赖关系。随后，嵌入后的序列分别沿正向和反向送入 双向Mamba 状态空间解码器。Mamba 作为近年来兴起的状态空间模型，凭借线性复杂度的序列建模能力，在长序列任务上展现出超越 Transformer 的潜力。QuantFlow 通过双向处理，使模型能同时感知过去和未来的上下文信息。
最终，解码器输出被投影到 五个条件分位数（如 10%、25%、50%、75%、90%），从而实现概率预测，不仅给出点估计，还提供不确定性区间。此外，团队引入 TSMixup 数据增强方法，通过狄利克雷加权插值增加时间序列多样性，同时保持序列的结构完整性。
联邦学习：隐私保护下的分布式训练
QuantFlow 的另一大亮点是内置 联邦学习 机制。在 20 个客户端的非独立同分布（non-IID）数据部署中，模型仅需 三轮通信 即可保持有用精度，且原始数据始终留在本地。这意味金融机构、医院等数据敏感方可以协作训练强大模型，而无需共享原始记录，极大拓展了实际应用场景。
实验结果：优势与局限并存
在加密货币、交通流量、电力负荷、电力变压器温度（ETT）、流感和天气等六类数据集上，QuantFlow 取得了有竞争力的结果。具体指标上，在 ETTm1 数据集上均方误差（MSE）为 0.2834，在 Weather 数据集上为 0.2218，优于或持平于同类基线。
不过，论文也坦诚指出了当前版本的局限：在处理 不规则的流行病学信号 和 超长预测区间 时，QuantFlow 的泛化能力仍有不足。这提示状态空间模型在极端不规则采样和极长序列场景下，可能还需要更精细的设计。
行业启示：后Transformer时代的新方向
QuantFlow 的发布正值 AI 社区对 Transformer 注意力机制进行反思的时期。Mamba 等状态空间模型凭借线性复杂度，已在语言建模和长序列任务中初露锋芒。QuantFlow 将这一思路引入时序预测，并叠加联邦学习与概率输出，为构建 可扩展、可量化不确定性、隐私友好 的时序基础模型指出了可行路径。对于金融风控、智慧电网、流行病监测等需要兼顾准确性与数据合规的行业而言，QuantFlow 所代表的技术方向值得密切关注。