TSFMs

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

Overview

TSFMs(Time-Series Foundation Models,时间序列基础模型)是指在海量跨领域时间序列数据上预训练、可零样本或微调后泛化到多种预测与分析任务的大规模模型,正在成为时序预测领域继传统统计模型和深度学习专用模型之后的新范式。近期的 arXiv 研究显示,该方向正从单纯追求预测精度,转向数据质量、可靠性评估与部署成本等更工程化的议题。

TSFM 的近期进展

  • RMISC:大规模真实世界多变量时间序列语料库 提出了面向真实场景的大规模多变量语料库,试图解决目前预训练数据多为合成或单一来源、与真实工业数据分布脱节的问题,为训练更强的 TSFM 提供数据基础。
  • Falcon-X:面向异构多变量建模的时间序列基础模型 针对变量数量、采样率各异的异构数据设计统一建模架构,反映模型架构正朝更通用输入接口演进。
  • TimeSeek:多任务多域预训练的广义时间序列分析 将预测之外的分类、异常检测等任务纳入预训练目标,显示 TSFM 的能力边界正从纯预测扩展到通用时序分析。
  • 基于物理信息合成历史的时间序列基础模型用于光伏冷启动预测 展示了在无历史数据的新电站场景下,结合领域物理知识合成训练数据的冷启动方案,是 TSFM 落地垂直行业的一个典型尝试。
  • 当前焦点与观察点

    围绕 TSFM 的讨论正从"能不能用"转向"是否可信、是否划算"。量化时间序列基础模型对传感器数据采样频率的不变性 系统检验了模型在不同采样率下的稳定性,指出实际部署中采样频率差异可能显著影响表现,这是评测基准设计上值得关注的维度。可靠性方面,概率型时间序列基础模型的不确定性校准评估 发现模型输出的置信区间未必可靠,对金融、能源等依赖风险决策的应用是重要警示。成本与可持续性也进入视野:TSFM 部署与预训练的可持续性研究 分析了碳足迹并提出通过剪枝缓解推理开销,说明大模型方法在时序领域同样面临效率权衡。此外,重新思考时间序列预测的智能体式模型编排 探索用多个模型协同调度替代单一通用模型,对"一个模型包打天下"的路线提出了反思。

    总体来看,TSFM 领域的竞争焦点正在从模型规模转向:更贴近真实的预训练语料、跨采样率与跨域的稳健性、概率预测的校准质量,以及部署端的能耗与成本控制。对打算采用 TSFM 的团队而言,除对比零样本预测精度外,还需评估其在目标场景采样条件下的表现和不确定性输出是否可信。

    Coverage

    9 on file