time series foundation models

concept · 首次出现 2026-05-22 · 最近出现 2026-11-11 · 累计提及 10

综述

时间序列基础模型(time series foundation models)是一类在大规模时序数据上预训练、可跨领域做零样本预测的通用模型,正在成为时序预测领域从专用模型向通用范式转变的核心方向。与视觉、语言领域的 GPT 类模型类似,这类模型通过统一架构处理异构时序数据,被视为时序预测进入"基础模型时代"的标志。

时间序列基础模型的近期进展

  • Toto 2.0: Time Series Forecasting Enters the Scaling Era 提出,时序预测正式进入扩展阶段,表明业界开始沿规模化路线提升通用预测能力,这类似语言模型走过的 scaling 之路。
  • Falcon-X: A Time Series Foundation Model for Heterogeneous Multivariate Modeling 针对异构多变量建模问题提出新模型,反映学术界在处理变量数量、频率、语义各异的复杂数据上的持续投入。
  • Quantifying the Sampling Frequency Invariance of Time-Series Foundation Models for Sensor Data Applications 系统量化了这类模型在传感器数据上对采样频率变化的鲁棒性,指出实际部署中频率不一致仍是重要影响因素。
  • Evaluating Uncertainty Calibration in Probabilistic Time Series Foundation Models 评估了概率预测的不确定性校准问题,这是金融、能源等下游场景能否信任模型输出的关键。
  • 当前焦点与观察点

    目前围绕时间序列基础模型的讨论集中在三个方向。其一是评测有效性:A Later Test Set Is Not a New Domain: Pretraining Familiarity Survives a Contamination-Free Hold-Out 提醒,即便是无污染的后续时间段测试集,也可能因预训练数据相似而高估模型的真实泛化能力,这对该领域的基准建设提出了更严苛的要求。其二是冷启动与跨域迁移:如 RAID 等工作尝试通过语义图扩散解决真正意义上的冷启动和跨语言预测问题。其三是可靠性,包括采样频率鲁棒性和概率校准,这些决定模型能否走出论文、进入工业部署。

    总体来看,时间序列基础模型正处于从"证明零样本可行"转向"规模化、可验证、可信赖"的阶段。scaling 是否能持续带来收益、评测基准如何避免预训练熟悉度带来的虚高,将是接下来值得关注的核心问题。

    相关报道

    6 条在档