TopoPrimer: The Missing Topological Context in Forecasting Models
TopoPrimer：将序列群体的全局拓扑作为预测模型的缺失上下文
🧭 时序预测基础模型增强 · 拓扑数据分析 ★ 深度解读
Apple
将持久同调和谱层坐标作为冷冻上下文注入预测模型，缩小冷启动差距且抗季节性漂移
📌 工作参考价值（4 点）
- 冷启动与新品上架：新商品无历史销售数据时，可通过预计算的谱层坐标和群体TDA指纹立即定位其在全局流形中的位置，无需等待历史积累。在内部数据上，TopoPrimer 在零周历史时 MAE 比普通 Transformer 低 27%。
- 季节性大促波动：大促期间需求分布剧烈偏移，传统模型 MAE 上涨 46–50%，而拓扑先验能稳定预测，退化幅度控制在 10% 以内。可将该思路用于电商大促、节假日等场景的库存与销量预测。
- 轻量适配器范式：对于已经部署的 Chronos/TimesFM 等预训练基础模型，只需冻结主干网络并训练一个参数量不到主干 0.1% 的拓扑适配器（处理 TDA、谱层坐标、上下文统计量与缓存预测的分支，输出残差修正），即可在几乎不增加推理成本的情况下嵌入群体拓扑信号。
- 拓扑预判准则：用 H1/N（循环密度）快速诊断领域是否具有可利用的循环共动结构（例如电网、天气有真正循环，零售日历周期导致的假循环无效），提前决定是否引入 TDA 分支，避免在无效领域引入噪声。