Time Series Foundation Models
PulseAugur coverage of Time Series Foundation Models — every cluster mentioning Time Series Foundation Models across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的“动态基准”LiveHouse-TS 挑战静态时间序列模型评估
研究人员推出了一种新颖的基准基础设施 LiveHouse-TS，旨在评估动态、真实世界条件下的时间序列基础模型 (TSFM)。与传统的静态基准不同，LiveHouse-TS 在新数据可用时持续评估模型性能，并考虑数据分布的变化和意外事件。对 11 个领域和 17 个数据集的初步评估显示，与静态方法相比，使用此“动态”基准评估时，模型排名可能会发生显著变化。
-
新的OATS策略通过动态数据增强增强时间序列基础模型
研究人员开发了OATS，一种面向时间序列基础模型（TSFM）的新型在线数据增强策略。该方法利用有价值的训练样本作为指导信号，动态生成针对特定训练阶段量身定制的合成数据。OATS采用基于扩散的框架进行真实时间序列生成，并采用探索-利用机制来平衡效率和有效性。实验表明，OATS在多个数据集和TSFM架构上显著优于标准训练和现有的静态数据增强技术。
-
新方法通过推测解码加速大语言模型推理 · 跟踪 7 个来源
研究人员正在开发新的方法，通过推测解码来加速大语言模型（LLM）的推理速度。DARTree 和 SPADE 是两种此类方法，其中 DARTree 专注于基于树的推测解码，以提高接受长度和加速效果，而 SPADE 则将推测解码集成到边缘和云设备中，以降低成本和延迟。其他相关工作包括 MemSpec，它针对内存受限的边缘设备优化自适应推测解码，以及 Goose，它使用各向异性推测树来提高效率。这些进展旨在使大语言模型的部署更加实用和经济高效。
-
新的正则化技术可解决时间序列模型中的次优崩溃问题
研究人员引入了一种名为地面真实邻域正则化（GTN-R）的新技术，以提高时间序列基础模型（TSFM）在使用强化学习（RL）进行后训练时的性能。他们发现了一个名为“次优崩溃”的问题，即RL训练可能导致模型输出偏离正确值，从而限制准确性。GTN-R通过使用地面真实值作为参考来指导模型做出准确预测，从而增加采样高质量数据的可能性并提高整体性能。该方法可以与各种TSFM的RL方法集成，并在实验中显示出有效性。
-
New framework personalizes federated adaptation for time-series models
研究人员开发了一种个性化的联邦稀疏适应框架，用于时间序列基础模型（TSFMs），旨在通过解决私有、分布式电表数据的非独立同分布（non-IID）性质来改进能源预测。这种新方法利用了异构时间混合专家（MoE）适配器，其中一个序列级路由器会选择一组针对特定上下文窗口量身定制的专家。在50栋建筑和三个TSFM骨干模型上的实验表明，这种个性化策略在性能上持续优于全局联邦学习和本地适应方法，突显了客户端感知和骨干模型感知的适应的重要性。
-
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。
-
时间序列基础模型为工业AI带来新能力
时间序列基础模型正成为超越传统大型语言模型（LLM）的关键进展，尤其是在工业AI应用领域。这些模型旨在从海量数据中学习通用的时间模式，解决了现有机器学习方法通常需要广泛的领域专业知识且难以跨系统迁移的局限性。通过理解依赖时间的数据中的普遍模式，这些基础模型能够实现更有效的预测性维护、能源预测、制造优化和大规模物联网监控。
-
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。
-
新框架统一时间序列基础模型的后训练方法
一篇新的研究论文介绍了一个用于时间序列基础模型（TSFM）后训练方法的统一框架。该论文将这些方法分为五类：参数适应、上下文增强、模型组合、输出处理和压缩。它分析了这些类别中的现有技术，讨论了它们的局限性，并提出了改进TSFM部署的未来研究方向。
-
新框架将基础模型应用于干旱预测 · 跟踪 2 个来源
研究人员开发了新颖的推理时框架 RGMR 和 SMR^2/MBB，用于将预训练的基础模型改编为区域气候预测，特别是干旱预测。这些方法允许进行结构化的粗到精精炼和黑盒改编，而无需更改骨干模型的参数。当应用于南澳大利亚标准化蒸散指数（SPEI）的预测时，这些包装器已显示出均方误差（MSE）的显着降低，RGMR 的改进高达 18.9%，SMR^2/MBB 的改进高达 26%，从而使冻结的基础模型在区域气候工作流程中更加实用。
-
新RMISC语料库通过真实世界数据增强时间序列基础模型 · 跟踪2个来源
研究人员推出了RMISC，一个用于训练时间序列基础模型（TSFM）的大规模、真实世界语料库。该语料库包含约200个数据集和1420亿个时间点，旨在解决TSFM主要在合成数据上训练的局限性。在RMISC上预训练四个先进TSFM的实验表明，与合成数据集相比，纳入真实世界多元数据能显著增强零样本泛化能力。
-
时间序列基础模型在电力价格预测方面展现出潜力
一篇新的研究论文评估了时间序列基础模型（TSFMs）在电力价格预测领域的性能，该领域以复杂的时间依赖性和分布偏移为特征。该研究引入了一个基准测试框架，以减轻污染风险并评估TSFMs的泛化能力。研究结果表明，TSFMs具有竞争力，并且通常优于一般基线模型，尽管其有效性取决于协变量支持，并且它们并不总是能超越专业方法。研究建议将TSFMs与特定领域的方法相结合，可以捕捉互补的预测信息。
-
时间序列模型在美国流感预测中的评估
一项新的研究论文评估了用于预测美国季节性流感的各种时间序列预测模型。研究发现，混合专家模型（一种结合了多个预训练预测器的模型）取得了最佳性能。基于 Transformer 的模型也显示出可靠性，预训练对长期预测尤其有益，特别是当与流感动态保持一致时。然而，在这一特定应用中，基于大型语言模型 (LLM) 的时间序列方法的表现不如数值预测器。
-
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…
-
研究发现时间序列模型基准测试可能隐藏关键故障
一篇新发表在arXiv上的研究论文指出了当前时间序列基础模型（TSFM）基准测试的潜在缺陷。该研究以交通速度预测为重点，揭示了标准评估中使用的聚合指标可能会掩盖在自由流和拥堵交通状态之间的关键过渡期间出现的显著性能下降。在这些过渡期间，这些模型的准确性和预测区间覆盖率会急剧下降，而这种失败被整体指标中自由流数据的支配地位所掩盖。该研究提出了一种状态感知评估方法和一种双峰混合增强（BMA）方法，以提高模型的性能和透明度。
-
研究发现：纽约市拥堵收费提高了公交出行量
一项发表在arXiv上的新研究利用时间序列基础模型分析了2025年1月实施的纽约市拥堵收费计划的影响。研究发现，与不实施该政策的情景相比，公交和地铁的乘坐人数显著增加，而总体出行需求则略有下降。研究强调，这些变化在空间上是不均衡的，公共交通的收益超出了拥堵缓解区，并揭示了不同社区在空间公平性方面存在的问题。
-
新的TS-Memory适配器增强了时间序列基础模型
研究人员开发了TS-Memory，这是一种新颖的即插即用记忆体适配器，旨在增强时间序列基础模型（TSFMs）。该方法通过缓解灾难性遗忘和减少推理延迟来应对将TSFMs适应新领域的挑战。TS-Memory通过一个涉及kNN教师和随后蒸馏成轻量级适配器的两阶段训练过程来实现这一点，从而能够进行高效、无需检索的部署。
-
视觉语言模型作为时间序列预测的裁判
研究人员推出TimeVista，一个利用视觉语言模型（VLMs）评估时间序列预测的新框架。该方法利用VLMs解读时间序列图表和文本信息的能力，提供比传统逐点指标更符合人类的判断。TimeVista基准测试包含5563个时间序列样本，并已证明VLMs能够提供可靠且一致的评估，在符合人类偏好方面优于传统方法。该框架已被用于评估近期的时间序列基础模型，揭示了VLMs作为该领域稳健且可解释的裁判。
-
新的ORCA方法在黑盒环境中适应时间序列模型
研究人员开发了ORCA（在线残差上下文适应）方法，这是一种用于在黑盒环境中适应时间序列基础模型（TSFM）的新颖方法。该方法侧重于从基础模型的预测误差中学习，认识到这些误差取决于模型的输入和输出。该方法通过在五个最先进的TSFM和八个数据集上进行的大量实验得到了验证，证明了它在无需白盒访问的情况下提高了适应性能的有效性。
-
新的智能框架利用大型语言模型增强时间序列预测
研究人员推出 KairosAgent，一个旨在改进多模态时间序列预测的新框架。该智能系统结合了用于语义推理的大型语言模型 (LLM) 和用于数值预测的时间序列基础模型 (TSFM)。KairosAgent 动态使用分析工具来增强 LLM 的理解和推理能力，并将这些见解融合到 TSFM 中以获得更准确的预测。该框架还结合了具有多轮精炼的强化学习，以进一步提升其预测能力。