Chronos
PulseAugur coverage of Chronos — every cluster mentioning Chronos across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新研究解决了动态环境下的时间序列早期分类问题 · 跟踪2个来源
两篇新研究论文解决了非平稳环境下的时间序列数据早期分类的挑战。第一篇论文介绍了一种端到端的强化学习架构DQeND，该架构联合优化表示、分类和触发决策，在各种漂移场景中表现出鲁棒性。第二篇论文提出了FETERS，一个少样本学习框架，它选择最优停止比率，并结合了基于Rocket的特征和Chronos表示，在大量数据集上取得了最先进的性能，尤其是在监督有限的情况下。
-
新的 StarEmbed 基准测试在天文数据上评估时间序列模型
研究人员推出了 StarEmbed，这是一个旨在利用天文数据评估时间序列基础模型 (TSFM) 的新基准。该基准利用了约 40,000 颗恒星的真实观测数据，这些数据具有不规则采样和多变量特性，并包括对聚类、分类和异常检测的评估。研究发现，Chronos 系列 TSFM 尽管在规则的、非天文数据上进行了训练，但在光变曲线聚类和异常检测方面取得了最先进的性能，证明了 TSFM 在复杂天文数据集上的潜力。
-
LLM作为预测规划器框架将LLM与TSFM集成以改进预测
研究人员开发了一个名为LLM作为预测规划器（LAFP）的新颖框架，该框架集成了大型语言模型（LLM）与时间序列基础模型（TSFM）以改进预测。这种无训练方法使用LLM来指导TSFM生成的轨迹的规划过程，充当策略和价值函数。在基准数据集上的实验表明，LAFP在各种TSFM和LLM组合中始终提高了预测准确性。
-
LLM作为预测规划器框架将LLM与TSFM集成以改进预测
研究人员开发了一个名为LLM作为预测规划器（rc）的新颖框架，该框架将大型语言模型（LLM）与时间序列基础模型（TSFM）集成，以改进文本条件化预测。这种无训练方法将预测视为一个规划问题，其中TSFM生成数值续写，LLM根据自然语言上下文指导这些轨迹的选择和评估。使用Chronos和TimesFM等TSFM以及各种LLM进行的实验表明，在不同的模型组合中性能持续提升。
-
生成模型在弱趋势数据上优于传统预测
一篇新的arXiv论文提出了一种方法，可以预测生成式基础模型何时将优于传统预测方法。研究发现，像Chronos这样的模型在趋势较弱的序列上表现最佳，表现出趋势收缩效应，而不是优越的趋势外推能力。这表明趋势强度（仅从训练数据中就可以确定）可以作为选择适当预测方法的实用指标。
-
时间序列基础模型在可穿戴设备 HRV 预测方面展现出潜力
一篇新的研究论文探讨了时间序列基础模型 (TSFM) 从消费级可穿戴设备预测心率变异性 (HRV) 的有效性。该研究评估了 TimesFM、Chronos 和 MOIRAI 与传统方法的对比结果，发现 TSFM 在未经微调的情况下显著优于基线方法。研究人员还引入了一种新颖的插补方法来处理碎片化的可穿戴设备数据，这有助于保留关键的生理动力学以获得更准确的预测。
-
新的ApolloPFN模型改进了带外生变量的时间序列预测
研究人员开发了ApolloPFN，这是一种新颖的时间感知先验拟合网络，旨在通过整合外生变量来改进零样本预测。与仅依赖历史时间序列数据的现有基础模型不同，ApolloPFN整合了促销、价格或温度等外部因素以提高准确性。该系统具有用于生成真实时间模式的合成数据生成框架和利用时间上下文的架构修改，在包括M5和太阳能数据集在内的基准测试中表现优于当前基线。
-
简单模型在时间序列预测中优于大型语言模型
一项最新分析强调了时间序列预测中的重大挑战，研究表明，在具有强烈季节性的数据集上，简单的统计模型和零样本基础模型通常优于复杂的神经网络，甚至优于像 Claude Opus 和 Haiku 这样的语言模型。该研究测试了包括 AutoARIMA、DLinear、PatchTST、Chronos 和 TimesFM 在内的各种模型，并与 m4_hourly、m4_daily 和比特币价格数据等基准进行了比较。研究结果表明，尽管复杂的模型在处…
-
LLM代理通过可审计、上下文感知的预测增强手足口病预测
一篇新研究论文介绍了一个双代理神经符号框架，旨在实现对手足口病（HFMD）更具可审计性和上下文感知的预测。该系统集成了基于LLM的事件解释器，用于处理学校日程和政府报告等各种信号，生成传播影响信号。然后，该信号被预测生成器使用，该生成器将其与历史数据相结合，以产生概率预测和简洁的理由，在准确性和可解释性方面优于传统模型和基础模型。
-
新框架利用物理学和人工智能增强光伏发电预测
研究人员开发了PARA-PV，一个用于精确光伏（PV）发电预测的新颖框架。该系统在整个预测过程中整合了物理知识，使用物理感知检索增强学习器来识别与当前条件一致的历史模式。它通过调整冻结的Chronos时间序列基础模型和校正分布偏移来进一步优化预测。物理约束损失函数确保在训练过程中不会忽略关键运行状态，例如峰值和爬坡时段。
-
人工智能联合历史学家“Chronos”发布，助力历史研究
研究人员开发了Chronos，这是一款人工智能联合历史学家，旨在通过支持自然语言交互来帮助历史学家创建和定制研究工作流程。其关键功能Chronos-Extract能够自动从扫描的历史文档中提取信息。基准测试表明，Chronos-Extract在各种历史来源、语言和布局上均实现了高准确率，该工具已向历史学家开放。
-
时间序列预测的基础模型：盈亏平衡分析揭示何时能带来回报
一项对时间序列预测基础模型的新分析表明，部署它们并非总是合理的。该研究将 Chronos、Moirai 和 Lag-Llama 等模型与 XGBoost 等传统方法在 30 个基准数据集上进行了比较。虽然基础模型在 15 个数据集上无条件地优于经典方法，但在其他数据集上，经典方法仅使用 2% 的训练数据就表现更优。研究还发现，LoRA 微调有时会降低在较短时间序列上的性能。
-
Apple发布TopoPrimer以提高预测模型准确性
Apple Machine Learning Research推出了TopoPrimer，一个旨在通过整合时间序列数据的全局拓扑结构来增强预测模型的新框架。该方法利用持久同调和谱层坐标来提供明确的拓扑上下文，从而提高准确性和稳定性，尤其是在季节性需求高峰和冷启动场景下。在Chronos和TimesFM等模型上的基准测试显示，TopoPrimer在冷启动情况下将平均绝对误差降低了高达27%，并在高峰需求期间保持了预测稳定性。
-
新的基础模型整合时间序列和强化学习以实现个性化投资
研究人员开发了一种新颖的三阶段基础模型，用于通过深度强化学习实现个性化投资组合管理。该系统通过避免股票代码锁定、采用整体目标和使用静态用户模型来解决先前工作的局限性。该模型整合了时间序列基础模型 Chronos 和专家混合（Mixture of Experts）架构，以同时追求多个投资目标，包括税损收割。通过在个人交易历史记录上进行微调的轻量级 LoRA 模块实现个性化，从交易行为中推断出目标。
-
开源 Nvidia Vulkan 驱动 NVK 在 Linux 上增加了实验性 DLSS 支持
为 Nvidia GPU 在 Linux 上开发的开源 Vulkan 驱动 NVK，已引入对 Nvidia DLSS 超分辨率技术（upscaling technology）的实验性支持。此集成是通过直接加载预编译的 CUDA 二进制文件实现的，而不是重新实现 DLSS 算法本身。这种变通方法意味着 DLSS 功能取决于特定 GPU 是否有兼容的字节码可用，而 Nvidia 的专有驱动程序没有此限制，它会在运行时编译中间代码。
-
TimeCopilot 教程展示了使用 Foundation Models 的端到端预测
本教程演示了如何使用 TimeCopilot 构建端到端的预测管道，TimeCopilot 是一个集成了各种预测模型的工具。该过程包括准备一个包含真实航空公司乘客数据和包含异常值的合成序列的数据集。然后，它评估了一系列统计模型，包括 Prophet 和 Chronos，以及可选的基于 GPU 的模型，如 TimesFM，以确定最佳性能模型。工作流程包括生成概率预测、可视化趋势、检测异常观测值以及利用 LLM 代理进行模型选择和解释。
-
新框架提炼基础模型用于专业时间序列预测
研究人员开发了一个名为 Guard 的新颖框架，用于将大型通用基础模型（FM）的知识提炼成轻量级、专业的时序预测器。该方法解决了 FM 在科学领域应用面临的挑战，这些领域中分布不匹配和高计算成本是重大障碍。Guard 使用实例级决策过程和上下文路由器来选择最相关的教师 FM，并使用不确定性门控温度机制来控制提炼强度，从而实现适合资源受限边缘部署的高精度预测。此外，一个教程演示了如何使用 TimeCopilot 构建端到端的预测管道，该…
-
LLM Chronos 实现零/少样本负荷预测
研究人员开发了一种新颖的方法，通过利用一个名为 Chronos 的大型语言模型，在数据稀缺的环境中进行负荷预测。该 LLM 框架利用其广泛的预训练知识，无需在特定数据集上进行大量微调即可实现准确预测。在五个真实数据集上的实验表明，Chronos 在确定性预测和概率性预测方面均显著优于九个传统基线模型，在误差指标方面有大幅降低。
-
HypergraphFormer 使用大语言模型生成可编辑的平面图
研究人员开发了 HypergraphFormer，一种使用大语言模型生成可编辑平面图的新方法。该方法将平面图表示为超图，捕捉空间关系和连通性。HypergraphFormer 在 RPLAN 数据集上进行训练，并在分布外数据上进行测试，其性能和数据效率均优于现有方法。其超图公式允许灵活生成具有不规则边界的平面图，并提供高度的可编辑性，使其适用于大语言模型支持的设计工作流程。
-
新的专家混合（MoE）框架提高了时间序列预测的效率和准确性
研究人员开发了新的专家混合（MoE）框架用于时间序列预测，旨在提高效率和准确性。AME-TS 使用结构引导路由，将专家专业化与时间数据特征对齐，在较小规模上优于现有模型。Super-Linear 采用轻量级、频率专业化的线性专家和频谱门控，实现高效稳健的预测。动态 TMoE 通过根据检测到的分布变化动态实例化和修剪专家来解决非平稳数据问题，取得了最先进的性能。