真实世界的时间序列，不仅被外部事件冲击，也被人为决策持续重塑。
来自中科大和阿里巴巴的研究团队提出CEDAR" 双重解耦 " 建模框架：动作交错 Transformer 显式刻画人为决策对序列的影响，残差修正模块实现外界干预因子的语义融合。
研究团队在阿里 1688 约 3200 万条商品轨迹上验证了方法的有效性，预测误差较最优基线降低超57%，线上 A/B 测试带来商家 LTV 提升13%、店铺 ROI 提升15%。
从一个 " 答不上来 " 的问题说起
以 1688 平台上的一位商家为例，月底需要制定下季度的营销规划。商家打开数据后台，提出了一个自然的问题：
" 如果商家在接下来三周将广告预算提高 50%，同时打九折，销量会变成什么样？"
△决策条件模拟示意：给定历史与未来动作，比较不同经营方案下的需求轨迹
遗憾的是，市面上绝大多数时间序列预测模型都答不上来。它们能做的是另一件事——看着历史曲线告诉商家 " 照这个趋势，下周大概卖这么多 "。至于商家" 打算做什么 "，它们要么视而不见，要么只是把商家的决策当作一个普通特征拼进输入，学出一堆相关而非因果的规律。
这个问题并不局限于电商。在能源调度、交通管理、金融投资等场景中，决策者真正需要的往往不是 " 预测未来会发生什么 "，而是" 如果采取这套行动方案，未来会发生什么 "。研究团队将这类问题形式化为决策条件模拟（decision-conditioned simulation）：给定历史状态与一套未来的动作序列，推演时间序列在该方案下的演化轨迹。
这正是 KDD ’ 26 研究成果CEDAR（Controlled and Event-Driven Demand Forecasting via Residual Decomposition）要解决的核心问题。研究团队认为，它的本质是外界干预与人为决策双重影响下的非平稳时间序列建模——而现有方法恰恰在这两个维度上都存在结构性缺陷。
问题的本质：非平稳性的两个来源
为什么传统模型做不好决策条件模拟？症结可以分为两层，它们恰好对应这类序列的两个非平稳来源。
来源一：人为决策的影响被 " 平均 " 掉了。传统的协变量建模（如 TFT）把人为决策（调价、投放、调度指令）和历史观测拼在一起喂给模型。模型学到的是历史数据里 " 决策和序列通常一起出现 " 的相关性，而不是 " 决策驱动序列变化 " 的因果机制。结果就是自回归惯性：模型倾向于沿着历史趋势外推，对反事实的新决策方案极不敏感——商家明明加大了投放，它却还在按老剧本走。
来源二：外界干预与决策效果被 " 搅 " 在一起。真实序列随时会被外生事件扰动：突发热点、节假日、天气变化、宏观冲击。如果不把这些外界干预与决策效果分离开，模型就会 " 张冠李戴 " ——把一次外部热点带来的暴涨错记在人为决策头上，进而给出灾难性的决策建议。
打个比方：开车时车速的变化，既可能来自驾驶者踩油门（人为决策），也可能来自突然下雨（外界干预）。一个靠谱的车速模拟器，必须把这两件事分开建模，否则无法回答 " 驾驶者再多踩一点油门会怎样 "。
△CEDAR 整体框架：左侧为动作交错 Transformer（Stage I），右侧为残差修正模块（Stage II）CEDAR 的整体设计：一次 " 双重解耦 "
针对上述两个来源，CEDAR 的设计哲学非常清晰——既然序列的生成过程天然由两部分组成，那就用两个模块分别建模、分阶段训练：
最终预测 = 人为决策条件下的基础推演 + 外界干预驱动的残差修正
核心点一：显式建模人为决策对时间序列的影响——动作交错 Transformer（AIT）学习决策条件下的状态转移算子；
核心点二：外界干预因子的语义融合——残差修正模块借助大模型提取外部事件信号，并修正其引发的序列偏移。
两阶段解耦训练还带来一个额外好处：决策条件动态在策略漂移下保持稳定，而残差模块可以灵活适应非平稳的外部环境。消融实验也证明，一阶段联合训练的效果明显更差。
核心点一：显式建模人为决策对时间序列的影响
这一阶段的核心是动作交错 Transformer（Action-Interleaved Transformer，AIT）。它不再把决策动作当成附属特征，而是把状态 S 和动作 A 都视为 " 一等公民 " 的独立 token，按照真实的因果顺序交错排列：
上一期状态→本期决策→本期状态
（s ( t-1 ) → a ( t ) → s ( t ) ）
这个顺序大有深意：现实中，决策者总是观察到上一期的系统状态后才做出本期决策，而本期决策又驱动了本期状态的转移。把这种因果时序直接编码进序列结构，相当于赋予模型一种结构性归纳偏置，让注意力机制显式对齐 " 决策→状态转移 " 这条影响通路，从而学到真正可控的动态机制。
这一思路受到 Decision Transformer 等离线强化学习工作的启发，但目标不同：DT 类方法学的是 " 什么策略最优 "，而 CEDAR 学的是可控的状态转移算子——不求给出唯一最优策略，而是能稳定地推演任意候选决策方案下的未来轨迹，供决策者比较和挑选。这正是 What-if 分析的关键能力。
核心点二：外界干预因子的语义融合
决策条件动态管不了的事，交给第二阶段。残差修正模块专门捕捉那些从历史状态—决策轨迹中推不出来的外生扰动，做法颇有巧思：
大模型当 " 信息过滤器 "：每周从小红书、抖音等平台的热搜榜单中，用 LLM（Qwen-Plus）滤掉娱乐八卦等噪声，只提取可能引发需求变化的商品关键词；
大模型再当 " 市场分析师 "：把这些关键词与未来时间窗内的 26 个节假日 / 购物节信息，合成为一段连贯的市场描述文字；
文本编码器转向量：用 BGE-zh-v1.5 把这段描述编码成 " 热点嵌入 "；
交叉注意力做 " 精准匹配 "：以热点嵌入为 Query，商品文本与历史状态为 Key/Value，动态对齐 " 哪个事件会影响哪个对象 "。
第 4 步是点睛之笔。举个生动的反例：圣诞帽的需求不太可能因为春节而暴涨——同样是节日事件，对不同对象的影响天差地别。简单 MLP 对所有协变量一视同仁，而交叉注意力能显式建模外界干预与具体对象之间的相关性，把事件的影响精确地 " 投放到 " 该影响的序列上。
△残差修正模块（AttentionResidualMLP）：热点文本经编码后通过交叉注意力与商品上下文对齐
最终，每个时间步的预测值 =AIT 的基础推演 + 残差模块的事件修正，再以自回归方式滚动多步，实现长 horizon 的稳定模拟。
在阿里 1688 上的应用与验证
研究团队将 CEDAR 应用于阿里 1688 平台的商家需求预测与预算规划场景。作为国内最大的 B2B 批发平台，1688 为研究决策条件预测提供了独特的真实环境。
数据集：研究团队构建了 E-Comm15-Week 数据集，约3200 万条商品轨迹，横跨 2024 — 2025 年，覆盖 8942 个细分类目。每条轨迹包含 9 个状态指标（曝光、浏览、收藏、加购、买家数、GMV、广告曝光、广告点击、询盘数）和 2 个决策变量（营销折扣率、广告花费），以 15 周为窗口切片。研究团队也在推动该数据集的脱敏开放，希望为社区提供一个动作感知序列建模的大规模基准。
主实验（对比 Informer、TFT、PatchTST、PETFormer、Timer-XL 五个基线，5 次随机种子取均值）：
△主实验结果：CEDAR 在全部指标与预测窗口上均为最优
差距在经典模型身上体现得淋漓尽致：Informer 在 next-10 设置下 MSE 高达32.2，几乎完全失效——这正是 " 决策盲 " 模型在决策驱动的分布偏移下的必然结局。
△各模型预测误差对比（纵轴为对数尺度，越低越好）
决策敏感性实验更能说明核心点一的价值。商家在第 5 周和第 12 周分别启动两轮广告投放：把决策当协变量的基线们反应迟钝，仍在按历史流量峰值外推；只有 CEDAR 敏锐地捕捉到了广告预算削减后的流量下行趋势，而不是盲目延续历史模式。
△两轮广告投放下的流量推演：只有 CEDAR 正确预判了预算削减后的下行趋势
外界干预建模的效果（核心点二），一个真实案例足以说明：社交媒体上 " 奶皮子糖葫芦 " 突然爆火，某糖葫芦供应商需求骤增。没有事件建模机制的基线们集体 " 踏空 "；而 CEDAR 的残差修正模块成功从热搜和外部热点中提取出 " 糖葫芦 " 等关键词，准确预判了这次流量暴涨。更有意思的是 " 时间打乱 " 消融：把节假日和热点信号随机分配到其他日期后，模型性能反而比不加事件还差——说明 CEDAR 真正学到的是事件与需求在时间上的对齐关系，而非把事件嵌入当万能味精。
△" 奶皮子糖葫芦 " 爆火案例：CEDAR 成功捕捉趋势反转，基线集体踏空
长程模拟同样稳健：一直预测到未来 25 周，CEDAR 的 MSE 为1.612，显著低于 PatchTST 的 2.847 和 PETFormer 的 2.561 ——误差随步长累积得更慢，这对需要中长期推演的规划类场景至关重要。此外，CEDAR 在公开的 Kaggle StoreSales 数据集上同样全面领先（MSE 0.5819vs 最优基线 0.6321），证明 " 决策条件建模 + 外界干预残差 " 的解耦范式具有普适性。
几个值得玩味的设计细节
为什么不加时间戳 embedding？研究团队尝试后发现时间 embedding 与从文本提取的突发热点语义难以对齐，还徒增学习难度。而且节假日的需求波动已经被残差修正模块覆盖，再加时间戳收益甚微——这个 " 减法 " 的判断很务实。
残差模块的另一重价值：保持轨迹多样性。没有它，同一细分类目下的对象会得到高度雷同的预测曲线；有了它，个体所受的独特外部影响被重新注入，推演更真实。
因果视角的理论支撑。研究团队在论文附录中从结构因果模型（SCM）出发，把系统形式化为加性噪声模型：AIT 近似干预分布、残差模块显式建模外生项以阻断后门路径，从结构上保证了反事实模拟时的不变性。这让 CEDAR 不只是工程 trick 的堆叠，而是有清晰的因果语义。
结语
CEDAR 的价值，不在于又刷了一个预测榜单，而在于它重新定义了问题：在决策密集、外部扰动频繁的真实场景中，时间序列建模的终点不是 " 看清未来 "，而是 " 比较不同行动方案下的未来 "。把人为决策建模为一等模态、把外界干预从可控动态中剥离——这 " 双重解耦 " 的两步走得干净漂亮，也都被大规模真实数据和线上实验扎扎实实地验证了。
研究团队认为，这套范式适用于所有 " 人为决策 × 外界干预 " 双重驱动的非平稳序列场景。对业务方而言，这意味着规划从 " 凭经验拍脑袋 " 走向 " 先推演再决策 "；对研究者而言，" 决策条件模拟 " 这个问题本身，以及 3200 万条带决策—事件对齐信号的真实轨迹，都值得更多关注。
论文标题：CEDAR：Controlled and Event-Driven Demand Forecasting via Residual Decomposition
论文链接：https://arxiv.org/pdf/2608.25871
发表：KDD ’ 26，2026 年 8 月 9-13 日，韩国济州岛
作者：Junjie Meng，Ranxu Zhang，Zi-an Zhang，Shujun Liu，Xiaoning Qi，Xiaozhou Xu，Yanyong Zhang，Hui Xiong，Chao Wang（通讯作者）
机构：中国科学技术大学、阿里巴巴、香港科技大学（广州）/ 香港科技大学
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
【学术投稿】请在工作日发送邮件至：ai@qbitai.com，标题注明【投稿】，并告诉我们：你是谁，从哪来，投稿内容附上项目 / 主页链接，以及联系方式。
我们会 ( 尽量 ) 及时回复你 : )
点亮星标
科技前沿进展每日见
