№时间序列基础模型·general
时间序列基础模型
别名
- 首次出现
- 2026-05-22
- 最近出现
- 2026-07-08
- 累计提及
- 4
§ 01综述
时间序列基础模型是一种在大规模时间序列数据上预训练的通用神经网络，旨在通过迁移学习适应预测、分类、异常检测等多种下游任务。这类模型借鉴了自然语言处理和计算机视觉中基础模型的成功范式，近年来在工业监测、金融、能源等领域展现出巨大潜力。
时间序列基础模型近期进展
大规模真实世界语料库发布：RMISC 项目推出了一个包含数百万条真实世界多元时间序列的大规模语料库，涵盖物联网、金融、医疗等多个领域，为时间序列基础模型的训练和评估提供了标准化资源。该语料库强调数据多样性和真实噪声，有助于提升模型的泛化能力。原文标题
流式预测模型创新：TiRex-2 基于 xLSTM 架构，专门面向多变量时间序列的流式预测场景，在保持低延迟的同时实现了长序列记忆能力。该模型在多个公开基准上刷新了状态记录，为实时应用提供了新选择。原文标题
物理信息融合提升冷启动性能：针对光伏发电等冷启动场景（缺乏历史数据），研究者提出使用物理信息合成历史数据来增强预训练，显著提升了时间序列基础模型在小样本条件下的预测精度，展示了领域知识注入的重要性。原文标题
异构建模与缩放定律验证：Datadog 发布的 Toto 2.0 时间序列基础模型在异构多变量数据上验证了缩放定律——模型性能随数据量和参数规模增加而持续提升，为工业级部署提供了实证支持。同期，Falcon-X 模型专门针对异构多变量时间序列进行了架构优化，实现了跨任务的高效迁移。原文标题 原文标题
当前焦点与观察点
时间序列基础模型的研究正从学术探索走向产业落地，焦点集中在三个方向：一是构建高质量、多领域的大规模语料库以支撑预训练；二是设计更高效的架构以处理长序列和流式数据；三是探索物理知识、领域先验与学习模型的融合，以应对冷启动和稀疏数据场景。此外，缩放定律的验证表明数据量和模型规模仍是关键杠杆，但计算成本与数据获取的挑战也在增加。未来需要关注模型的鲁棒性、可解释性以及在资源受限设备上的部署能力，同时避免对大规模预训练数据的过度依赖。