时间序列预测新成果：因果视角下，决策条件模拟的完整工程实现 | KDD'26 Oral CEDAR 团队 投稿 量子位 | 公众号 QbitAI 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”。