近期值得关注的4个时序大模型研究

原创最新推荐文章于 2026-10-19 13:29:01 发布 3k 阅读 AI写同款

Python_金钱豹

1万+粉丝2835篇原创

关注

时序大模型整理-论文+对比 Timer是一个由清华大学提出的大型时间序列模型（Large Time Series Model, LTSM），它基于Transformer的解码器-only结构，通过在大规模真实世界时间点上进行生成式预训练，获得了任务通用的时序分析模型。MOMENT是由卡内基梅隆大学（CMU）Auton实验室的研究团队开发的一款开源的时间序列基础模型，旨在解决时间序列分析中的一些挑战，特别是在数据多样性和预训练模型评估基准方面的挑战。能力，能够在没有微调的情况下处理复杂的时间序列任务。架构的时间序列预测基础模型，名为。阅读详情

AI摘要

本文探讨了时间序列大模型的最新研究进展，包括UniTS、TIME-LLM、Chronos和Lag-Llama等模型，这些模型在泛化能力、可解释性及特定领域应用上展现出巨大潜力。

前言

梳理了近期几篇时间序列大模型研究文章（后台回复：“论文合集”获取），时间序列大模型的研究正在迅速发展，并且在多个领域和应用中展现出巨大的潜力。随着技术的不断进步，预计未来会有更多创新的方法和应用出现，但我感觉目前可以重点关注以下三方面：

基础模型的构建：研究者们正在尝试构建时间序列预测的基础模型，这些模型可以在不同的时间序列数据集上进行预训练，并展示出良好的泛化能力。

模型可解释性：通过文本形式提供解释性的时间序列预测结果，帮助用户更好地理解时间序列数据的模式和趋势。

特定领域的应用：大模型正在被应用于特定领域的时间序列预测，如金融、医疗、交通等，以解决特定问题并提供可解释的预测。

1.UniTS

论文标题：UniTS: Building a Unified Time Series Model

尽管当前的基础模型能够处理序列数据，但它们并不适用于时间序列分析，时间序列分析面临着独特挑战：时间序列数据的多样性和多领域性、预测、分类和其他任务类型之间的任务规范差异，以及对特定任务模型的需求。本文提出UniTS，这是一个统一的时间序列模型，它支持通用的任务规范，能够处理分类、预测、插补和异常检测等任务。这一模型采用了一个创新的统一网络架构，结合了序列和变量注意力机制、动态线性算子，并作为一个统一模型进行训练。在38个跨领域的数据集上，UniTS展现了超越特定任务模型和基于自然语言的LLMs的性能。当评估新的数据领域和任务时，UniTS显示出了卓越的零样本、少量样本学习和提示学习能力。

在这里插入图片描述

2.TIME-LLM

论文标题：TIME-LLM: TIME SERIES FORECASTING BY REPROGRAMMING LARGE LANGUAGE MODELS（ICLR2024）

最近的研究揭示了大型语言模型（LLMs）在复杂序列上具有强大的模式识别和推理能力。然而，如何有效地将时间序列数据的模态与自然语言对齐，以利用这些能力仍是挑战。本文中作者提出了TIME-LLM，一个重新编程框架，用于将LLMs重新用于通用的时间序列预测，同时保持骨干语言模型的完整性。我们首先使用文本原型（text prototypes）重新编程输入的时间序列，然后将其输入到冻结的LLM中，以对齐这两种模态。为了增强LLM处理时间序列数据的推理能力，作者提出了Prompt-as-Prefix（PaP），它丰富了输入上下文，并指导了重新编程输入patch的转换。来自LLM的转换后的时间序列补丁最终被投影以获得预测。评估表明：TIME-LLM是一个强大的时间序列学习者，其性能超越了最先进的专门预测模型。此外，TIME-LLM在少量样本和零样本学习场景中表现出色。

3.Chronos

论文标题：Chronos: Learning the Language of Time Series

本文提出了Chronos，一个简单而有效的预训练概率时间序列模型框架。Chronos通过缩放和量化将时间序列值转换为固定词汇表中的标记，并使用交叉熵损失训练现有的基于Transformer的语言模型架构来处理这些标记化的时间序列。其基于T5家族（参数范围从200万到7100万）预训练了Chronos模型，训练数据包括大量公开可用的数据集，并通过高斯过程生成的合成数据集来补充，以提高泛化能力。在包含42个数据集的全面基准测试中，作者展示了Chronos模型：(a) 在训练语料库中的数据集上显著优于其他方法；(b) 在新数据集上的零样本性能与其他专门针对它们训练的方法相当，有时甚至更优。结果表明，Chronos模型能够利用来自不同领域的时间序列数据，提高在未见预测任务上的零样本准确性，将预训练模型定位为一种可行的工具，极大地简化了预测流程。

4.Lag-Llama

论文标题：Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting

在过去的几年中，基础模型因其在零样本和少样本泛化方面的空前能力，在机器学习领域引发了一场范式转变。然而，尽管基础模型在自然语言处理和计算机视觉等模态上取得了成功，但针对时间序列预测的基础模型开发却相对滞后。本文提出了Lag-Llama，这是一款基于解码器Transformer架构的通用单变量概率时间序列预测基础模型，它将滞后值作为协变量。Lag-Llama在来自多个领域的多样化时间序列数据的大量语料库上进行了预训练，并在跨领域的下游数据集上与一系列预测模型相比，展现出了强大的零样本泛化能力。此外，当在这些之前未见数据集的相对较小部分上进行微调时，Lag-Llama实现了最先进的性能，超越了之前的深度学习方法，平均而言，成为最佳的通用模型。Lag-Llama作为时间序列预测领域现有技术的强大竞争者，并为未来针对时间序列数据定制的基础模型的进展铺平了道路。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述