时序预测

general · First seen 2026-05-22 · Last seen 2026-11-17 · 18 mentions

Overview

时序预测是指对按时间顺序排列的数据(如销量、传感器读数、气象指标)进行未来值推断的技术,当前正从传统统计模型和专用深度学习,快速转向可零样本泛化的时序基础模型(TSFM)。近期的进展集中在基础模型迭代、行业级基准落地和训练成本评估三个方向。

时序基础模型近期进展

  • Mistral 发布 Timestral 时序预测模型,209M 参数超越 Google TimesFM-3:Mistral 以 209M 参数的模型在基准上超过了 Google 的 TimesFM-3,显示基础模型厂商正把时序预测作为新的竞争赛道。
  • 华为与华东师大联合研发时序预测模型登顶 TIME 和 GIFT-Eval 双榜单:国产模型在两个主流评测基准同时取得第一,说明这一领域已形成多家争锋、榜单竞争激烈的格局。
  • Salesforce 时序基础模型 Moirai 2.0 接入 Data 360,支持零样本预测:Salesforce 将 Moirai 2.0 集成进企业数据产品并支持零样本预测,随后又推入产品 Data Cloud Forecast,是基础模型商业落地的代表性案例。
  • 行业基准与成本评估

  • Pneuma:面向商用飞机预测性维护的大规模真实时序基准发布:航空维护场景的真实数据基准发布,回应了以往基准偏合成、偏零售类数据的局限,有望推动工业方向的可比评测。
  • TSFM 碳足迹研究:Chronos-2 预训练成本数月内可摊平:研究测算 Chronos-2 的预训练碳排放可在数月内通过替代传统流程摊平,为“大模型是否值得用于时序”提供了量化依据。
  • RFD:用共享算子分块生成长时程预测,参数仅 0.08–0.46M:仅 0.08–0.46M 参数的小模型也能完成长时程预测,表明轻量化路线与基础模型路线并行发展。
  • 当前焦点与观察点

    时序预测领域的核心争议在于:通用基础模型是否真的优于针对具体任务的专用模型。一项 FairAMO 评估协议指出,多模型编排的收益在公平评测下相当有限,质疑了当前流行的组合式方案。另一些工作则从机制入手,如免训练修复递归误差累积的泄漏积分器重构,以及面向电池健康度预测的退化语义表征。未来值得观察的是:真实工业基准能否取代传统榜单、零样本能力在垂直行业的实际收益,以及大小模型两条路线的成本效益对比。

    Coverage

    10 on file