状态空间模型在时间序列预测中表现如何？

1. 长历史依赖的有效捕获

时间序列预测（如高频交易、气象建模）高度依赖长历史上下文。SSM 能够高效捕获长程依赖，将长历史压缩进固定状态，为预测提供充分的时序信息。

2. 线性复杂度支撑长窗口

在长窗口预测场景下，Transformer 的平方复杂度成为瓶颈，而 SSM 的线性扩展使其能够处理更长的历史窗口，同时保持较低的内存占用。

3. 连续动态建模的契合

时间序列是典型的连续动态过程，与 SSM 的连续时间动力学本源高度契合。这使得 SSM 在时序预测任务中既有理论适配性，也有实际的效率优势。