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.
5 天有情绪数据
-
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。
-
新方法审计时间序列基础模型的数据污染
研究人员推出 TSFMAudit，一种旨在检测时间序列基础模型 (TSFM) 中数据污染的新颖方法。这是首个专门针对 TSFM 的预训练污染审计研究，TSFM 越来越多地在海量数据集上进行训练。TSFMAudit 通过分析探针适应动态来运行，通过在微调探针期间异常快速的损失减少和最小的骨干移动来识别污染。该方法在六个 TSFM 和 187 个数据集上进行了评估，其表现优于从大型语言模型研究改编的十个现有基线。
-
新AI方法提升时间序列预测的准确性和可解释性
研究人员引入了几种新的时间序列预测方法，旨在提高准确性和泛化能力。MeLISA是一种无潜在变量的自回归模型，可提高回溯效率和长视界统计准确性。Temporal Functional Circuits利用Kolmogorov-Arnold Networks (KANs)为预测提供忠实且与时间相关的解释。Dynamic Pattern Recalibration (DPR)提供了一种与骨干网络无关的令牌级重新校准机制，以适应不断变化的局部…
-
TS-Arena平台通过预注册协议实现实时预测评估
研究人员开发了TS-Arena，一个新颖的平台，旨在通过在未来未知数据上进行测试来严格评估时间序列基础模型（TSFMs）。该实时预测系统强制执行严格的预注册协议，要求模型在真实数据存在之前提交预测，从而消除了测试集污染的可能性。TS-Arena运行一年多的能源时间序列数据，证明了与传统方法相比，它能够更准确地评估泛化能力。