时间序列基础模型相关 AI 资讯

7月8日

12:13

官方账号arXiv cs.AI@Qian Sun, Yong-Ming Tian, Jia-Wei Huang, Cheng Feng, Shao-Qun Zhang

RMISC语料库包含约200个数据集、1420亿个时间点，覆盖多领域真实世界多变量时间序列。研究者用RMISC预训练四种先进时间序列基础模型（TSFMs），并与合成数据预训练模型对比。实验表明，真实世界多变量数据显著提升TSFMs的零样本泛化能力，在分布内和分布外基准上均表现更优。

论文 RMISC TSFMs 时间序列基础模型

推荐理由：如果你的时间序列模型总是泛化不好，试试用RMISC这个真实世界大数据集预训练，1420亿个时间点，效果比合成数据强很多。

原文

7月2日

12:30

官方账号arXiv cs.LG@Patrick Podest, Marco Pichler, Elias Bürger, Levente Zólyomi, Bernhard Voggenberger, Wilhelm Berghammer, Daniel Klotz, Sebastian Böck, Günter Klambauer, Sepp Hochreiter

TiRex-2是基于xLSTM的循环时间序列基础模型，将单变量TiRex扩展到多变量预测，支持未来已知协变量。它采用双向时间混合器和非对称分组注意力变体混合器，保持严格因果性。在GIFT-Eval和fev-bench上取得零样本SOTA性能。相比Transformer，流式处理时每块计算成本恒定，无需全历史重算。模型单变量模式有38.4M活跃参数，多变量模式额外激活44.1M参数。

AI模型 TiRex-2 xLSTM 时间序列基础模型

推荐理由：TiRex-2是首个同时支持多变量流式预测和已知未来协变量的时间序列基础模型，零样本刷新GIFT-Eval和fev-bench榜单，每步计算量不变。做在线时序预测的朋友可以看看。

原文

6月8日

10:40

官方账号arXiv cs.LG@Lorenzo Longarini, Alessandro Rongoni, Simone Silenzi, Emanuele Frontoni, Riccardo Rosati

精选

光伏电站在投运初期缺乏历史观测数据，导致标准监督预测方法无法直接使用。研究者提出一种零样本流程，利用电站元数据和气象协变量生成合成生产历史，使时间序列基础模型（TSFMs）能够通过推理时条件进行预测。在440个光伏站点、四个数据集和多种气候条件下，五种TSFMs与经典基线对比，协变量感知模型性能提升约1.7-2倍，其中TabPFN-TS在真实反馈策略下误差最低（MAE 0.514），Chronos-2在自预测反馈策略下最鲁棒。合成历史来源对性能影响不大，表明合理的时序上下文比具体生成器更重要。

论文时间序列基础模型光伏预测冷启动

推荐理由：光伏运维团队终于有了冷启动预测的实用方案——无需历史数据即可用基础模型实现高精度预测，做新能源发电预测的开发者可以直接参考TabPFN-TS和Chronos-2的表现。

原文

5月27日

10:33

官方账号arXiv cs.AI@Yiding Liu, Yifan Hu, Hongjie Xia, Peiyuan Liu, Hongzhou Chen, Xilin Dai, Zewei Dong, Jiang-Ming Yang

精选

Falcon-X 是一种新型时间序列基础模型，解决了现有模型在跨变量建模中语义对齐和关系表达能力的不足。它通过将变量映射到统一的潜在原型空间，并采用统一原型差异注意力机制，显式评估正负语义亲和度，从而对齐异构物理量。该模型还通过潜在实体注意力在共享空间中高效进行跨变量交互，并通过变量重组路由器稳健重建特定变量轨迹。在 GIFT-Eval 和 fev-bench 基准测试中，Falcon-X 达到了最先进的预测性能，为复杂多变量环境提供了可扩展的范式。该模型已公开发布，以支持未来研究。

论文时间序列基础模型多变量建模异构数据

推荐理由：时间序列预测从业者终于有了一个能处理异构多变量数据的专用基础模型——Falcon-X 通过潜在原型空间解决了语义对齐难题，做金融、能源或物联网预测的团队可以直接拿来用。

原文

5月16日

14:05

官方账号Clement Delangue@ClementDelangue

精选73°

Datadog 发布了 Toto 2.0 系列时间序列基础模型，参数规模从 4M 到 2.5B，采用 Apache 2.0 开源协议。该系列模型在 BOOM、GIFT-Eval 和 TIME 等主流基准测试中均取得领先成绩，且每个更大规模的模型性能都优于较小的模型。这是时间序列领域首次出现清晰的缩放定律曲线，意味着研究人员可以像语言和视觉模型那样，通过增加数据和计算量来可靠地提升模型性能。2.5B 和 4M 参数的模型权重已在 Hugging Face 上开源。

AI模型时间序列基础模型缩放定律开源/仓库

推荐理由：时间序列领域终于有了可预测的缩放定律，做时序预测的团队可以像训练语言模型一样放心堆数据和算力，建议直接下载权重试试。

原文