事件签名迁移：从历史事件构建模型无关的预测场景

预测者常常知道某个事件即将发生，却不清楚其影响的形状、规模和时机。我们提出事件签名迁移（EST），一个免训练、模型无关的算子，能把一次已完成的历史事件转化为显式的预测场景。EST 先剥离源事件自身的趋势和季节性，再将剩余的事件签名缩放并重新定时叠加到原生预测上，保留预测的关联结构，并在强度为零时恰好还原为原预测。由于只读取输出分位数，EST 适用于任何分位数预测器，迁移时无需训练、无需模型内部信息。在 Chronos-2、TimesFM-2.5 和 Toto-2.0 上的十二个真实事件情景和十个合成情景中，手工配置的 EST 在真实事件上样本内 WQL 降低 21.7-90%。在 Chronos-2 上，它与协变量条件化、激活编辑和原始重放的十二组配对比较中有十一组领先。该算子构建的是场景，而非估计其发生的可能性。