TopoPrimer是Apple機器學習研究團隊（Zara Zetlin、Kayhan Moharreri和Maria Safi）於2026年7月發表的一項創新框架。該框架的核心思想是將整個序列群體的全域性拓撲結構作為顯式特徵，融入任何時間序列預測模型。傳統的預測模型通常只關注單個序列的統計特性，忽略了序列之間潛在的結構關聯。TopoPrimer透過持久同調（persistent homology）和譜層座標（spectral sheaf coordinates）這兩個數學工具，為每個領域預先計算拓撲結構，並將其作為輸入特徵提供給模型。
TopoPrimer的部署方式非常靈活。對於完全訓練的模型，它作為每個時間步令牌（token）的附加特徵；對於預訓練骨幹網路（如Chronos和TimesFM），它則作為輕量級介面卡（adapter）插入。實驗結果顯示，譜層座標是精度提升的主導因素。在四個公開基準測試中，TopoPrimer持續改善了預測精度，在ECL資料集上均方誤差（MSE）降低了高達7.3%。值得注意的是，這一拓撲優勢在零樣本和微調骨幹網路中幾乎以相同的幅度保持，這表明拓撲資訊與逐序列訓練訊號捕獲的是互補的資訊。
TopoPrimer在最具挑戰性的場景下表現尤為突出。在季節性需求高峰期間，傳統模型和零樣本模型的預測誤差可能退化高達50%，而TopoPrimer的退化幅度始終控制在10%以內。在冷啟動場景中，即沒有商品歷史資料的情況下，TopoPrimer相較於無拓撲基線的平均絕對誤差（MAE）降低了27%。這些結果有力證明了拓撲上下文在時間序列預測中的關鍵作用，尤其是在資料稀疏和動態變化的環境中，拓撲資訊能夠顯著提升預測的魯棒性和準確性。