时间序列预测

general · 首次出现 2026-05-22 · 最近出现 2026-11-17 · 累计提及 60

综述

时间序列预测是指基于历史观测数据预测未来趋势的技术,广泛用于金融、能源、零售和气象等领域。近年来,这一领域正从传统的统计模型和专用深度学习架构,转向借鉴大语言模型思路的预训练基础模型范式,同时生成式方法与多智能体框架也在快速渗透。

时间序列预测的近期进展

  • Timestral:四个参数规格的时间序列基础模型开源:Mistral 开源了多元时间序列预测基础模型 Timestral,提供四个参数规格,标志着通用基础模型路线在时序领域继续扩张,也把大模型厂商直接带入了这条赛道。
  • Koopman Generative Operator 概率时序预测:单步生成提速 25 倍:生成式概率预测的推理成本问题出现新解法,基于 Koopman 算子的生成方法实现单步生成提速 25 倍,说明效率优化正成为概率预测落地的关键瓶颈攻关方向。
  • Salesforce Moirai 时间序列预测:人员配置准确率提升近 40%:Salesforce 报告其 Moirai 模型在人员配置场景中将预测准确率提升近 40%,展示了基础模型在具体业务决策中的量化收益。
  • NVIDIA Kumo Forecast 结合预训练时序表征、历史模式检索与可解释性:NVIDIA 将预训练时序表征与历史模式检索、可解释性结合,反映出工业界方案开始强调“预测结果为什么可信”,而非单纯堆指标。
  • 当前焦点与观察点

    目前时间序列预测领域的争论集中在两条路线之间:一是 Timestral、Moirai 代表的零样本基础模型路线,追求用一个模型覆盖多种数据分布;二是 CATF 这类基于 Manager-Worker 架构的上下文感知框架,以及 PathFM 用流匹配生成多变量预测路径等针对特定结构设计的专用方法。两条路线在精度、推理成本和场景适配性上各有取舍。

    另一个值得关注的方向是评估体系本身。Google Trends 与 COVID-19 研究提出的 DPRS 方向性预测强度指标,以及在分布式光伏发电预测中应用预训练框架的实践,都指向同一个问题:均方误差类指标之外,方向判断和实际业务价值如何衡量。此外,FACTS-MAS 将多智能体架构引入异构证据的自适应预测,显示 LLM 智能体范式也在向时序任务迁移。未来半年,基础模型的开源生态、生成式方法的推理效率,以及面向业务场景的可解释性,将决定哪些方案真正走出论文。

    相关报道

    10 条在档