一步算到未来：Koopman 算子把时序预测延迟降 25 倍

概率时序预测一直难三全其美：结构化的时间动态、有表达力的不确定性、高效的推理。扩散与流匹配模型灵活但依赖迭代采样，算得慢；潜在动力学模型有结构但生成机制受限。本古里安大学与 Amazon Science 的 KGO（arXiv 2611.04760）用了一个八十年代的老数学工具解决新问题：Koopman 算子。

三个组件各司其职。KoPE 用学习到的线性算子在潜空间做外推，谱范数归一化保证稳定，给出时间一致的条件潜轨迹；KoFM 把流匹配的传输限制为线性时不变系统，噪声到未来轨迹的映射用矩阵指数一步闭式解完成，无需迭代采样；AUG 自适应不确定性门控按变量与预测步长动态加权确定性与概率预测，学习式地建模偶然不确定性。

成绩按论文口径：ProbTS 基准上 CRPS 最优 13/17 项、NMAE 最优 16/17 项，合计 29/34 项 SOTA；CRPS 最高改进约 27%；推理时间比迭代生成模型至少降低 25 倍，实测每窗口 11 毫秒；对比 Sundial-base-128M，CRPS 低约 13% 而延迟快约 50 倍。消融把每个部件的分量都称了一遍：换成普通 patch 表示 CRPS 平均恶化 16.9%。

做时序预测的团队（电力、金融、运维监控都算）可以把它当成「扩散模型的质量、线性模型的延迟」的参考实现，代码已开源。老数学工具配新模型架构，这篇是个干净利落的示范。