ActTime: Action-Conditioned World Modeling for Time Series
作者: Xinxing Zhou, Xiaojie Yuan, Yanlong Wen, Ming Jin
分类: cs.AI
发布日期: 2026-10-19
💡 一句话要点
提出ActTime以解决时间序列中的行动条件建模问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 时间序列建模 行动条件模型 决策支持 干预效果预测 建筑能源管理 交通优化 库存管理
📋 核心要点
- 现有时间序列模型在处理行动条件时面临挑战，无法有效比较不同行动的结果。
- ActTime通过行动条件转移更新潜在状态，并在候选行动下生成未来轨迹，提升了模型的预测能力。
- 在多个领域的实验中，ActTime在12个任务设置中排名第一，显示出其在决策质量和干预效果上的显著提升。
📝 摘要（中文）
随着时间序列模型越来越多地依赖已知的未来输入，尤其是在受控系统中，行动作为可变更的输入显得尤为重要。模型不仅需要预测实际的未来结果，还需预测在相同观察历史下不同行动对结果的影响。本文提出了ActTime，一个针对时间序列的行动条件世界模型。ActTime通过行动条件转移更新特定变量的潜在状态，并利用观察进行校正。它在候选行动下前推相同的转移以生成未来轨迹。训练仅使用实际轨迹，无需配对的替代行动结果或规划监督。通过在建筑能源、交通、温室气候和库存管理等领域构建的评估套件，ActTime在16个领域任务设置中排名第一。
🔬 方法详解
问题定义：本文旨在解决时间序列模型在面对可变行动输入时的建模问题。现有方法往往无法有效预测不同行动对结果的影响，导致决策支持不足。
核心思路：ActTime的核心思路是通过行动条件转移来更新潜在状态，并在此基础上生成未来轨迹。这样的设计使得模型能够在相同的观察历史下，比较不同候选行动的效果。
技术框架：ActTime的整体架构包括三个主要模块：首先是通过观察更新潜在状态，其次是基于候选行动进行未来轨迹的生成，最后是通过训练优化模型性能。
关键创新：ActTime的关键创新在于其不依赖于配对的替代行动结果或规划监督，能够仅通过实际轨迹进行训练。这与现有方法形成了显著区别，提升了模型的适用性和灵活性。
关键设计：在技术细节方面，ActTime采用了特定的损失函数来优化潜在状态的更新，并设计了适应性强的网络结构，以支持多种领域的应用。
🖼️ 关键图片
📊 实验亮点
在实验中，ActTime在16个领域任务设置中排名第一，显示出其在干预效果和决策质量上的显著优势。与其他八种方法相比，模型排名反转率在事实预测与干预保真度之间为17.8%，而在干预保真度与决策排名之间则上升至28.4%。
🎯 应用场景
ActTime的研究成果在多个领域具有广泛的应用潜力，包括建筑能源管理、交通流量优化、温室气候控制和库存管理等。通过精确的时间序列预测和决策支持，ActTime能够帮助相关行业提高效率、降低成本，并实现可持续发展。
📄 摘要（原文）
Time-series models increasingly condition on known future inputs. In controlled systems, some of these inputs are actions that can be changed, compared, and optimized before execution. A model must therefore do more than predict the realized future: it must predict how outcomes change under different actions from the same observed history and support reliable comparison of candidate plans. We introduce ActTime, an action-conditioned world model for time series. Over the observed history, ActTime updates variable-specific latent states through an action-conditioned transition and corrects them using observations. It then rolls the same transition forward under candidate actions to generate future trajectories. Training uses only factual trajectories, without paired alternative-action outcomes or planning supervision. We construct a simulator-grounded evaluation suite across building energy, traffic, greenhouse climate, and inventory management, covering factual prediction, intervention-effect prediction, offline decision making, and closed-loop planning. ActTime ranks first in 12 of 16 domain-task settings. Across eight methods, the mean pairwise model-ranking reversal rate is 17.8% between factual prediction and intervention fidelity, and rises to 28.4% between intervention fidelity and decision ranking. These results show that factual accuracy, intervention fidelity, and decision quality are related but not interchangeable.