时间序列反向传播 (BPTT)

时间序列反向传播（Temporal Backpropagation）并非标准机器学习术语，而是对时间序列数据处理中特定优化策略的通俗描述。在深度学习中，处理序列数据时，若直接应用标准反向传播，常因长距离依赖导致梯度消失或爆炸。该策略通常指在训练循环中，显式地保留并累积来自未来时间步的梯度信息，或在模型结构中引入延迟反馈机制，使得模型能够更准确地捕捉时间序列中的动态变化规律。其核心在于打破标准反向传播的静态假设，适应数据的时间演化特性。

在现代计算架构与机器学习生态中，时间序列反向传播代表了针对非平稳数据的一种适应性优化思路。它填补了传统全连接网络在处理长序列依赖时的能力空白，是构建高性能时间序列预测模型（如 LSTM、Transformer 变体）的关键技术环节之一。尽管学术界有更精确的术语（如梯度累积、延迟反馈），但在工程实践中，这一概念常被用来描述那些通过特殊梯度计算或网络结构来增强序列建模能力的改进方案，对于金融高频交易、工业物联网预测等场景具有极高的实用价值。