未来引导学习（Future Guided Learning, FGL），引入“未来信息”动态反馈机制，在多个任务中显著提升预测性能。基于未来反推现在，这个可能是预测的思维突破。相信这样的突破在不久的将来会有更大的突破。

近日Nature上有学者发表论文“A predictive approach to enhance time-series forecasting”[1]，提出了一个新的方法未来引导学习。

摘要如下：

准确的时间序列预测在各个科学和工业领域都至关重要，但深度学习模型通常难以捕获长期依赖关系并适应数据分布随时间的变化。我们引入了未来引导学习，这是一种通过受预测编码启发的动态反馈机制增强时间序列事件预测的方法。我们的方法涉及两个模型：一个是分析未来数据以识别关键事件的检测模型，另一个是根据当前数据预测这些事件的预测模型。当预测模型和检测模型之间出现差异时，会对预测模型进行更显着的更新，从而有效地最大限度地减少意外，从而使预测模型能够动态调整其参数。我们在各种任务上验证了我们的方法，证明使用脑电图数据预测癫痫发作的 AUC-ROC 增加了 44.8%，在非线性动力系统中预测的 MSE 减少了 23.4%（异常值除外）。通过结合预测反馈机制，未来引导学习推进了深度学习应用于时间序列预测的方式。

而这样的研究思路，在新冠疫情开始初期，已经有学者提出了类似的思路。发表了文章“Prediction of epidemic trends in COVID-19 with logistic model and machine learning technics”[2]。

摘要如下：

提出了一种基于Logistic和Prophet的COVID-19混合预测模型。•通过我们提出的模型预测了全球、巴西、俄罗斯、印度、秘鲁和印度尼西亚的COVID-19流行趋势。•从我们的建模结果中总结了三个重要点。•截至10月下旬，全球累计感染人数估计为1412万。 COVID-19 现已在全球范围内产生巨大影响，100 多个国家的 800 多万人受到感染。为了遏制其传播，一些国家发布了控制措施。然而，目前尚不清楚全球和各国的疫情何时结束。预测 COVID-19 的趋势是一项极其重要的挑战。我们将 2020 年 6 月 16 日之前最新的 COVID-19 流行病学数据整合到 Logistic 模型中，以拟合流行趋势的上限，然后将上限值输入 FbProphet 模型，这是一种基于机器学习的时间序列预测模型，用于推导流行曲线并预测流行趋势。我们对全球、巴西、俄罗斯、印度、秘鲁和印度尼西亚的建模结果总结了三个要点。根据数学估计，全球疫情将在 10 月下旬达到高峰，估计累计感染人数为 1412 万人。

[1]Gunasekaran, S., Kembay, A., Ladret, H. et al. A predictive approach to enhance time-series forecasting. Nat Commun 16, 8645 (2025). https://doi.org/10.1038/s41467-025-63786-4

[2]Wang P, Zheng X, Li J, et al. Prediction of epidemic trends in COVID-19 with logistic model and machine learning technics[J]. Chaos, Solitons & Fractals, 2020, 139: 110058.