Qual

新的QUAL框架提高了零样本时间序列预测的准确性

研究人员开发了QUAL，一个旨在提高零样本时间序列基础模型（TSFMs）性能的新颖框架。QUAL通过对来自不同TSFM的池进行分位数对齐来工作，利用该池本身作为参考来改进单个模型的预测，而无需目标标签或模型重新训练。这种无标签的方法显著降低了预测误差，在GIFT-Eval基准测试中，MASE提高了7.4%，CRPS提高了9.8%，并且即使包含未经验证或较弱的预测模型，也能保持鲁棒性。