TimesFM
PulseAugur coverage of TimesFM — every cluster mentioning TimesFM across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Google 的 TimesFM 挑战传统预测方法
Google 开发了 TimesFM，这是一种新颖的预测模型，它偏离了传统的预测工作流程。该模型的方法促使人们重新评估标准的预测方法。这个新工具为如何生成时间序列预测提供了不同的视角。
-
TS-Mob框架增强了用于人类移动预测的时间序列模型
研究人员开发了TS-Mob，一个旨在改进用于预测人类移动的时间序列基础模型的新框架。该框架整合了从人口密度和兴趣点等开放数据计算出的地理和社会信号，以及天气数据。当应用于TimesFM模型时，TS-Mob在包括Bike New York City、Taxi Beijing和西班牙的出行矩阵等基准测试中，与现有方法相比表现出显著的性能提升，显示出更低的误差率和更高的预测准确性。
-
混合人工智能方法提高了基础模型股票预测的准确性
研究人员开发了一种混合方法，以提高冻结时间序列基础模型的性能，特别是针对高频股票预测。通过将 AttnCorrect 和 GatedLinear 等神经校正架构与经典随机森林残差学习相结合，该混合方法显著优于基础 TimesFM 模型。研究发现，经典残差学习提供了最大的性能提升，而简单的神经架构在不与经典方法配对时更有效。这项研究为将基础模型应用于专业金融领域提供了实用的见解。
-
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。
-
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。
-
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。
-
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。
-
TimesFM基础模型在多元异常检测方面无效
一项最新研究探讨了将TimesFM（最初为单变量时间序列预测设计的基础模型）应用于复杂的多变量时间序列异常检测（MTSAD）任务。研究人员评估了两种方法：使用TimesFM的预测误差作为异常指标，以及使用其中间表示与标准异常值检测器结合。这两种方法都被证明对于可靠的MTSAD无效，未能达到既有基线方法的水平。
-
AI股票预测基准揭示LoRA适配的TimesFM缺乏方向性技能
一项新的研究论文挑战了像TimesFM这样的大型语言模型在股票预测中的有效性，尤其是在使用LoRA适配器时。该研究引入了一个基准率诚实的基准，以揭示看似高的方向性准确性是如何具有误导性的，在上涨市场中通常是通过简单的“总是向上”规则实现的。研究结果表明，池化的LoRA适配器在这些朴素基线之上没有显示出方向性技能，甚至可能比零样本TimesFM表现更差，而微调仅在点预测误差方面提供边际改进。
-
学生集成Google的TabFM和TimesFM用于本地零样本机器学习任务
一名研究生开发了Zer0Fit，一个集成了Google的TabFM和TimesFM基础模型的本地服务器。该工具允许用户通过连接本地LLM接口执行零样本机器学习任务，如预测、分类和回归。Zer0Fit在Iris数据集上取得了94.7%的显著准确率，在回归任务上取得了0.91的R2分数，同时需要约16GB的显存。
-
研究发现：基础模型难以预测极端野火烟雾
一项新研究评估了基础模型在预测野火烟雾引起的极端 PM2.5 浓度方面的泛化能力，这是一个严峻的公共卫生挑战。研究人员使用加州 12 年的数据，将六种时间序列基础模型 (TSFM) 配置与 LSTM 和 BiLSTM 等传统模型进行了比较。研究结果表明，虽然基础模型在朴素预测法上有所改进，但其表现并未优于完全训练的循环基线模型，并且一些模型在极端条件下表现不稳定。使用 LoRA 进行微调显著改进了适配的基础模型，但仍未能达到训练过的循…
-
新AI框架使用LLM和时间序列模型进行自主网络防御
一篇新研究论文介绍了一种神经代理控制框架，该框架结合了大型语言模型（LLM）规划器（如Gemini 2.5 Flash-Lite）和时间序列基础模型（TimesFM）。该框架旨在通过减轻LLM产生不安全行为的倾向，自主防御关键基础设施免受网络攻击。一种新颖的“反事实物理注入”机制在执行前，在基础模型的潜在空间中模拟提议的干预措施，确保了基于物理且安全的控制。
-
新AI框架使用LLM和物理模型进行工业安全控制
研究人员开发了一种新颖的神经代理控制框架，该框架结合了大型语言模型（LLM）规划器（如Gemini 2.5 Flash-Lite）和时间序列基础模型（TimesFM），以增强工业物联网环境中的安全性。该框架通过引入“反事实物理注入”机制，解决了LLM在闭环控制中的安全问题。该机制在基础模型的潜在空间中模拟拟议的干预措施，以在执行不安全或幻觉动作之前拒绝它们。在安全水处理（SWaT）数据集上的评估表明，其性能优于传统的LSTM和TCN基…
-
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。
-
Google Research 发布 TabFM，一个用于表格数据的零样本基础模型
Google Research 推出了 TabFM，一个专为表格数据设计的新型基础模型，该模型无需数据集特定的训练即可执行分类和回归任务。该模型利用混合注意力架构，结合了行和列注意力机制，并利用上下文学习在单次前向传播中进行预测。TabFM 使用数亿个合成数据集进行了大规模训练，现已在 Hugging Face 和 GitHub 等平台上提供。
-
FoundryNet 使用 TimesFM 和 16 个数据点预测设备故障
FoundryNet 开发了一种使用名为 TimesFM 的时间序列基础模型来预测设备故障的新方法。该方法仅需 16 个数据点，大大减少了对大量每台机器训练数据的需求。该系统会规范化来自不同 OEM 的遥测数据，预测未来值，并能预测何时会超过故障阈值。通过在 MINT Protocol 上进行验证，并在 Solana 区块链上结算，使预测可验证。
-
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…