TopoPrimer：预测模型中缺失的拓扑上下文

TopoPrimer是Apple机器学习研究团队（Zara Zetlin、Kayhan Moharreri和Maria Safi）于2026年7月发表的一项创新框架。该框架的核心思想是将整个序列群体的全局拓扑结构作为显式特征，融入任何时间序列预测模型。传统的预测模型通常只关注单个序列的统计特性，忽略了序列之间潜在的结构关联。TopoPrimer通过持久同调（persistent homology）和谱层坐标（spectral sheaf coordinates）这两个数学工具，为每个领域预先计算拓扑结构，并将其作为输入特征提供给模型。

TopoPrimer的部署方式非常灵活。对于完全训练的模型，它作为每个时间步令牌（token）的附加特征；对于预训练骨干网络（如Chronos和TimesFM），它则作为轻量级适配器（adapter）插入。实验结果显示，谱层坐标是精度提升的主导因素。在四个公开基准测试中，TopoPrimer持续改善了预测精度，在ECL数据集上均方误差（MSE）降低了高达7.3%。值得注意的是，这一拓扑优势在零样本和微调骨干网络中几乎以相同的幅度保持，这表明拓扑信息与逐序列训练信号捕获的是互补的信息。

TopoPrimer在最具挑战性的场景下表现尤为突出。在季节性需求高峰期间，传统模型和零样本模型的预测误差可能退化高达50%，而TopoPrimer的退化幅度始终控制在10%以内。在冷启动场景中，即没有商品历史数据的情况下，TopoPrimer相较于无拓扑基线的平均绝对误差（MAE）降低了27%。这些结果有力证明了拓扑上下文在时间序列预测中的关键作用，尤其是在数据稀疏和动态变化的环境中，拓扑信息能够显著提升预测的鲁棒性和准确性。