跳到主要内容
检索

# 时间序列基础模型

7 篇关联报道

订阅更新
  1. arXiv

    电力系统动态仿真有了快速替身:Chronos-2微调后误差低于传统AI模型,推理快563倍

    预训练时间序列基础模型Chronos-2被检验能否替代电力系统动态仿真。在IEEE 9节点系统的1800个负荷扰动样本上,检索增强的上下文学习优于随机选取参考样本,微调后的Chronos-2在178个留出样本上误差低于传统时空图神经网络基线,加入功率平衡正则后除电压相角MAE外各项指标进一步改善。其推理耗时35.5毫秒,比ANDES物理仿真的20秒快563倍。

  2. arXiv

    RWKV长程预测会衰减:交替插入注意力块,36M参数在GIFT长程追平1B模型

    HART把Transformer块与RWKV块交替堆叠,让预测区直接检索历史,在GIFT-Eval与TIME-Benchmark的中长程上优于纯RWKV,并以36M参数在GIFT长程取得与Toto-2.0-1B相当的MASE。

  3. Mistral Blog

    时间序列预测不再从零训练:Mistral的209M模型在三大公开榜单登顶,CPU上140毫秒出一天预测

    Mistral发布首个时间序列基础模型系列Timestral,最大型号仅2.09亿参数,在GIFT-Eval、TIME和fev-bench三个公开预测基准上排名第一,参数只有此前最优模型的三分之二。它支持多变量概率预测与过去、已知未来协变量,四个尺寸覆盖500万到2.09亿参数,无需GPU即可推理,8线程服务器CPU上从三周15分钟粒度历史预测未来一天耗时10毫秒(5M)到140毫秒(209M)。

  4. arXiv

    日历特征怎么编码不再是细节:同一模型换编码,节假日误差差出83%

    时间序列基础模型已普遍支持协变量,但日历信息如何编码一直被视为实现细节。该研究在四个模型、九个受节假日和周末影响的数据集上零样本滚动评测七种日历编码,发现编码选择在所有模型上都改变预测精度:同一模型内,非节假日MASE差距最高9.9%,节假日最高83%,且哪种编码最好因模型而异。SHAP归因显示提升集中在节假日,因为那里的信号无法从目标历史推断。

  5. arXiv

    时间序列基础模型不必每层都跑:中等稀疏下A100延迟降11%到13%,但各数据集有差异

    两个预训练时间序列基础模型在推理时跳过整块Transformer,在1088个留出窗口上跨数据集平均预测质量变化很小,中等稀疏下A100单条延迟中位数分别降11.2%和13.4%。

  6. arXiv

    统一缩放律在留出的 Toto 2.0 上以 1.09% 与 1.50% 的 MAPE 预测容量曲线,并用激活干预证明冻结时序基础模型可跨查询复用历史规则

    该工作基于 21 个检查点、23 个数据集-频率任务、六个领域的 18,768 个实验单元,拟合出一个五参数统一缩放律,把容量、输入长度与预测步长联系起来,并在完全留出的 Toto 2.0 系列(约 4M–2.5B 参数)上以 1.09%(输入 2048)和 1.50%(输入 4096)的 MAPE 预测其按步长平均的容量缩放曲线;同时提出统一时序学习理论,用高斯回归与匹配历史比较、参数交换和激活干预,支持全样本模型在权重中累积规则信息、冻结时序基础模型通过激活提取并跨查询复用历史规则的解释。

  7. bioRxiv

    时间序列基础模型实现湖泊生态系统精准预测

    该研究以日本两座生态条件迥异的湖泊(深水分层的琵琶湖与浅水富营养化的霞浦湖)长达30年的月度水质监测记录为数据基础,将Transformer架构的Chronos-T5与概率模型Lag-Llama两个时间序列基础模型,同15个统计(AR、ARIMA、SARIMA、Prophet)、机器学习(随机森林、XGBoost、KNN、SVR)与深度学习(LSTM、CNN、TCN及SSA混合)模型进行基准比较,发现微调后的Chronos-T5在全部六个监测站点均排名第一,对溶解氧、水温、pH及氮磷营养盐等参数取得R²>0.80–1.00的高精度,而叶绿素a在所有模型中R²均低于0.30,并识别出约14年的最

已读完全部报道