时间序列预测（TSF）在众多领域（如金融、气候、工业监控）中发挥着关键作用，但容易受到后门攻击的威胁。然而，针对TSF的后门防御研究仍处于起步阶段，主要面临两大挑战：数据纠缠（data entanglement）导致不同时间序列通道间的信号相互干扰，以及任务形式转变（task-formulation shift）使得后门注入与正常训练难以区分。本文首先系统评估了十三种代表性后门防御方法在TSF全生命周期中的表现，分析其失败模式，发现两个根本问题：1）数据纠缠引发通道级信号稀释，使基于样本过滤或触发器合成的防御方法无法准确定位后门；2）任务形式转变导致训练损失退化，使得中毒窗口与干净窗口在训练阶段变得不可区分。基于这些发现，作者提出一种针对TSF的训练时后门防御方法——TimeGuard。该方法采用通道级池训练（channel-wise pool training）为核心范式，利用时间感知标准初始化高置信度池以缓解信号稀释；同时引入距离正则化损失选择策略，在训练过程中逐步扩展可靠池，缓解损失退化。在多个数据集、预测架构和TSF后门攻击上的广泛实验表明，TimeGuard显著提升了鲁棒性，平均绝对误差（MAE_P）相比领先基线提升1.96倍，同时干净性能MAE_C控制在5%以内。本文为TSF安全防御提供了新的思路和实用方法。