Time-series Foundation Models for Predictive Control: The Role of Excitation

📄 arXiv: 2610.06447v1 📥 PDF

作者: Mazen Amria, Jasper Hoffmann, Philipp Bordne, Anna Rothenhäusler, Lilli Frison, Harald Taxt Walnum, Sebastien Gros, Joschka Bödecker

分类: cs.LG, eess.SY

发布日期: 2026-10-05

备注: Accepted at the TS-LIMITS Workshop at NeurIPS 2026

💡 一句话要点

提出时间序列基础模型以优化预测控制中的激励问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 模型预测控制 时间序列基础模型 激励问题 系统响应 预测准确性 智能家居 能源管理

📋 核心要点

  1. 现有的时间序列基础模型在模型预测控制中存在捕捉系统响应不足的问题，尤其是在控制激励不足的情况下。
  2. 论文提出通过确保上下文中包含足够的独立控制激励，来提升时间序列基础模型的预测能力和系统响应捕捉能力。
  3. 实验结果表明，使用时间序列基础模型时，较短的上下文窗口在闭环控制中表现出良好的预测效果，显示出该方法的潜力。

📝 摘要（中文）

部署模型预测控制（MPC）需要为每个目标系统构建或识别预测模型。时间序列基础模型（TSFMs）因其在不同系统中的强大零样本预测能力而成为一种有吸引力的选择。然而，低预测误差并不保证TSFM能够捕捉控制器考虑的替代行动对系统的响应。本文以住宅热泵控制为测试平台，测量预测效果与真实效果之间的一致性。研究发现，当上下文中包含足够的独立控制激励时，TSFM能够恢复系统的输入响应关系。常见的微调管道和特征平滑虽然减少了对上下文激励的需求，但并未消除这一需求。初步的闭环结果显示，较短的上下文窗口具有良好的前景。

🔬 方法详解

问题定义：本文旨在解决时间序列基础模型在模型预测控制中无法有效捕捉系统响应的问题，尤其是在缺乏足够控制激励的情况下。

核心思路：通过在上下文中引入独立控制激励，增强时间序列基础模型的输入响应捕捉能力，从而提升预测控制的效果。

技术框架：研究采用住宅热泵控制作为测试平台，首先构建时间序列基础模型，然后通过实验验证不同激励条件下模型的预测性能。

关键创新：本研究的创新在于强调了上下文激励对时间序列基础模型在预测控制中的重要性，提出了在模型训练和应用中需考虑激励变化的观点。

关键设计：在实验中，采用了标准的微调管道和特征平滑技术，尽管这些方法能减少对激励的需求，但仍需确保上下文中有足够的信息以支持模型的有效预测。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，时间序列基础模型在住宅热泵控制中的预测误差显著降低，尤其是在提供足够的控制激励时，模型的预测准确性得到了提升。初步闭环实验表明，使用较短的上下文窗口仍能保持良好的预测性能，展示了该方法的有效性。

🎯 应用场景

该研究的潜在应用领域包括智能家居、工业自动化和能源管理等领域。通过优化模型预测控制中的激励问题，可以显著提升系统的响应效率和节能效果，具有重要的实际价值和应用前景。

📄 摘要（原文）

Deploying model predictive control (MPC) requires constructing or identifying a predictive model for each target system. Time-series foundation models (TSFMs) offer an attractive option thanks to strong zero-shot forecasting capabilities across systems. However, low forecast error does not guarantee that a TSFM captures the system's response to the alternative actions considered by the controller. We study this gap using residential heat-pump control as a test bed, measuring the agreement between predicted and ground-truth effects of control interventions. Importantly, we find that TSFMs can recover the system's input-response relationship when the context contains sufficient independent control excitation. Common fine-tuning pipelines and feature smoothing reduce, but do not eliminate, the need for in-context excitation. Our results indicate that current TSFMs used for predictive control require sufficiently informative control variation in the inference context. Initial closed-loop results show promise for shorter context windows.