前沿!时序大模型研究进展!

Chronos:学习时间序列的大语言模型(论文解读) 《Chronos:学习时间序列的大语言模型》论文翻译 阅读详情

前言

在深入剖析了近期一系列关于时间序列大模型研究的成果后,我们不难发现,该领域正以前所未有的速度蓬勃发展,其广泛的影响力已渗透至多个关键领域与应用场景,展现出巨大的变革潜力。

随着技术的持续迭代与革新,我们有理由相信,未来将有更多创新策略与应用模式涌现。然而,在当前阶段,有三大核心方向尤为值得关注与深耕:

基础模型架构:科研人员正致力于构建时间序列预测的基础模型框架,这些模型旨在通过跨数据集预训练,实现卓越的泛化能力,为多样化的时间序列分析任务奠定坚实基础。

模型可解释性的提升:为了增强用户对于时间序列预测结果的直观理解,研究者们正探索通过文本形式提供详尽的解释性输出,从而揭示数据背后的模式与趋势,促进决策制定的科学性与透明度。

特定领域的深度应用:时间序列大模型正逐步融入金融、医疗、交通等特定行业,针对行业痛点提供定制化解决方案,不仅解决了实际问题,还确保了预测结果的可解释性与实用性。

如下列举近期时间序列大模型研究的成果:

UniTS:构建统一时间序列模型的里程碑

面对时间序列分析领域的独特挑战,如数据多样性、任务差异性及特定需求等,UniTS应运而生。作为一款统一的时间序列模型,UniTS凭借其创新的网络架构,融合了序列与变量注意力机制及动态线性算子,实现了对分类、预测、插补及异常检测等多元任务的全面支持。

在横跨38个领域的数据集测试中,UniTS不仅超越了特定任务模型,更在零样本、少量样本学习及提示学习能力上展现出非凡实力,为时间序列分析树立了新的标杆。

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

TIME-LLM:大型语言模型在时间序列预测中的重塑

TIME-LLM的提出,标志着大型语言模型(LLMs)在时间序列预测领域的崭新应用。通过创新的重新编程框架,TIME-LLM成功地将时间序列数据模态与自然语言模态对齐,利用LLMs强大的模式识别与推理能力进行预测。

结合Prompt-as-Prefix(PaP)策略,TIME-LLM在少量样本及零样本学习场景下同样表现出色,其性能超越了众多先进的专业预测模型,为时间序列预测开辟了全新的路径。

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

Chronos:解锁时间序列的“语言”

Chronos,作为一款预训练概率时间序列模型框架,通过创新的标记化方法与Transformer架构的结合,实现了对时间序列数据的深度学习与理解。

在广泛的基准测试中,Chronos不仅在训练数据集上展现出卓越性能,更在新数据集上实现了令人瞩目的零样本预测能力,证明了其强大的泛化潜力。Chronos的成功,为时间序列预测领域预训练模型的广泛应用奠定了坚实基础。论文标题:Chronos: Learning the Language of Time Series

Lag-Llama:迈向概率时间序列预测的基础模型

Lag-Llama的推出,标志着时间序列预测领域基础模型开发的重要进展。作为一款基于解码器Transformer架构的通用单变量概率时间序列预测模型,Lag-Llama通过预训练大量跨领域时间序列数据,实现了强大的零样本泛化。论文标题:Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting

在跨领域下游数据集上的测试中,Lag-Llama不仅展现了与现有深度学习方法相媲美的性能,更在微调后实现了显著超越,为时间序列预测领域的基础模型研究树立了新的里程碑。

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

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

《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标记化为固定词汇,并利用现有的基于变换器的语言模型架构进行训练。我们在多个公开数据集和合成数据集上预训练了Chronos模型,并在42个数据集的基准测试中显示出其在训练数据集上的显著优势,以及在新数据集上的零-shot性能。结果表明,Chronos能够有效利用多领域的时间序列数据,简化预测流程。 阅读详情

相关推荐

视频理解与VLM多模态大模型:从基础任务到前沿应用全景解析

本文全景解析了视频理解与VLM多模态大模型的发展。从动作识别、时序动作定位等基础任务切入,深入探讨了VLM如何融合视觉与语言,实现对视频内容的深度语义理解与推理,并展望了其在短视频分析、长视频摘要等前沿应用场景的巨大潜力。

weixin_29075633的博客 344

【时间序列语言】Chronos: Learning the Language of Time Series

我们介绍了Chronos,这是一个简单而有效的预训练概率时间序列模型框架。Chronos 使用缩放和量化技术将时间序列值标记为固定词汇,并通过交叉熵损失在这些标记化的时间序列上训练现有的基于transformer的语言模型架构。我们在大量公开数据集上预训练了基于 T5 系列的 Chronos 模型(参数范围从 2 千万到 7.1 亿个不等),并通过高斯过程生成了一个合成数据集作为补充,以提高泛化能力。(a)在属于训练语料库的数据集上的表现明显优于其他方法;

Arachis_X的博客 2170

大数据领域数据建模的多源数据融合技术

在大数据时代,数据来源呈现出多样化的特点,包括企业内部的不同业务系统数据、外部的社交媒体数据、传感器数据等。这些多源数据蕴含着丰富的信息,但由于数据格式、语义、质量等方面的差异,难以直接进行分析和利用。多源数据融合技术的目的就是将这些来自不同数据源的数据进行整合、清洗、关联和统一,构建一个具有一致性和完整性的数据模型,以便更好地挖掘数据背后的价值,为企业决策、科学研究等提供有力支持。

Java大师兄的博客 1305

模型微调(fine-tune)

模型微调(fine-tune)

爱敲代码的狼仔 6277

解决Android UVCCamera stopPreview 报错 崩溃 闪退 问题

在使用libuvccamera库的UVCCamera时,经常在调用stopPreview关闭预览的时候,app直接崩溃闪退了,经过综合各种修改源码的方案,已解决这个问题,以下请参考: 首先找到android_usbfs.c,linux_usbfs.c两个原文件,在两个文件中都可以找到这段代码,按如下示例修改: 修改前: for (i = 0; i < num_urbs; i++) { if (urb == tpriv->iso_urbs[i]) { urb_idx = i + 1;

hanye2020的博客 3576

从零开始:HLW8110电能计量IC的硬件设计与软件调试全攻略

本文详细介绍了HLW8110电能计量IC的硬件设计与软件调试全流程,涵盖核心特性、抗干扰设计、UART通信协议及校准方法。通过实战案例和优化技巧,帮助工程师快速掌握高精度交流测量技术,适用于智能插座、充电桩等应用场景。

p5l2m9n4o6q的博客 576

时间序列预训练模型 Chronos:学习时间序列的语言 Chronos: Learning the Language of Time Series

我们介绍了Chronos,这是一个简单而有效的预训练概率时间序列模型框架。Chronos使用缩放和量化将时间序列值标记为固定词汇,并通过交叉熵损失训练现有的基于Transformer的语言模型架构。我们在大量公开可用数据集上预训练了基于T5系列(参数范围从20M到710M)的Chronos模型,同时通过高斯过程生成了一个合成数据集,以提高泛化能力。在包含42个数据集的全面基准测试中,涵盖了传统的本地模型和深度学习方法,我们展示了Chronos模型:(a)在训练语料库中的数据集上明显优于其他方法;

数智笔记 1700

嵌入式代码审计中常见的漏洞(四)

经过漫长时间的迭代更新,内容从一开始的碎片化网罗搜集,到排版与整合划分,再到学习与实践验证,最后摒弃初始,用自己的语言与实践结论通俗的将它展现出来。强化知识技能的同时也为读者带来更好的阅读体验。 本篇介绍了以下代码安全问题: 编号 漏洞 1 敏感信息硬编码 2 未初始化安全 3 越界访问 4 迭代器失效 5 迭代器尾部解引用

武天旭的博客 3318

时序时空大模型前沿综述:面向时间序列和时空数据的大模型

本文约12000字,建议阅读15分钟本文介绍了关于时间序列和时空数据分析的大模型的最新综述。‍‍导语本文介绍了关于时间序列和时空数据分析的大模型的最新综述,该综述强调了分析这些数据类型的重要性以及对各种下游任务的潜在好处。作者们将现有文献分为两大类:时间序列分析的大模型(LM4TS)和时空数据挖掘(LM4STD)。此外,作者还提供了全面的资源收集,包括数据集、模型资产和工具,按主流应用分类。最后强...

数据派THU 1万+

基于Simulink的转向控制系统仿真建模示例

本文完成了基于 Simulink 的 EPS 转向控制系统仿真,实现了:✅掌握 EPS 助力控制基本原理✅构建车速敏感的可变助力策略✅在 Simulink 中验证低速轻便、高速沉稳的手感✅达成“安全、舒适、高效”的现代转向系统。

xiaoheshang_123的博客 86

【Unity】NGUI下载与导入

Unity3D插件NGUI的下载和导入。

Get your hands dirty 3万+

多模态大模型新范式终极指南:连中ICCV,看懂这篇就够了!

随着ICCV 2025的召开,多模态大模型研究正从架构探索迈向深度应用创新,呈现三大趋势:

m0_59163425的博客 1337

Electron vue3 - 使用SerialPort与串口交互教程,计算机串行端口(COM口、USB转串口等)进行通信连接读取或写入Arduino、单片机、PLC、扫码枪、打印机、老式调制解调器!

实战Electron使用SerialPort与串口交互详细全过程,Electron-vue3与串口交互示例,Electron vue使用serialport实现串口交互通讯,Electron-vue使用serialport连接本地串口,electron-vue 台称串口对接 SerialPort,electron串口调试工具,electron+vue+serialport实现串口通信,串口通信serialport使用和调试,electron-vue使用serialport串口通信及踩过的坑(已解决!)ele

🏆 前端领域优质创作者 4641

最近,大模型人才薪资有点猛。。。

如今大模型席卷AI界,已经成为所有人工智能的从业者都要入局的领域。今天给大家梳理6个LLM热门方向。都是行业前沿与顶会大热,容易出idea,想冲顶会或者水paper都可以看一下。6个LLM热门方向(附对应最新论文代码)- 多模态大模型 144篇- 大模型+agent 158篇- 大模型+时序 23篇- 大模型高效应用 176篇- 大模型+RLHF 31篇- 大模型推理 14篇每个方向我都整理了对应...

3D视觉工坊 175

GEE:关于遥感生态指数(RSEI)的若干疑问

本文记录了若干关于在 Google Earth Engine (GEE)平台上,计算基于主成分分析(PCA)的遥感生态指数(RSEI)的问题。并记录了解决这些问题的一些答案。问题包括,主成分分析的特征值的正负,主成分的占比,去云后空值像素的处理方法,异常值处理方法,如何看载荷等。

养乐多的博客 3417

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

大模型,再一次爆发!

如今大模型席卷AI界,已经成为所有人工智能的从业者都要入局的领域。今天给大家梳理6个LLM热门方向。都是行业前沿与顶会大热,容易出idea,想冲顶会或者水paper都可以看一下。6个LLM热门方向(附对应最新论文代码)- 多模态大模型 144篇- 大模型+agent 158篇- 大模型+时序 23篇- 大模型高效应用 176篇- 大模型+RLHF 31篇- 大模型推理 14篇每个方向我都整理了对应...

阿木寺的博客 84

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

大模型500+创新点汇总与企业级项目实战

如今大模型席卷AI界,已经成为所有人工智能的从业者都要入局的领域。今天给大家梳理6个LLM热门方向。都是行业前沿与顶会大热,容易出idea,想冲顶会或者水paper都可以看一下。6个LLM热门方向(附对应最新论文代码)- 多模态大模型 144篇- 大模型+agent 158篇- 大模型+时序 23篇- 大模型高效应用 176篇- 大模型+RLHF 31篇- 大模型推理 14篇每个方向我都整理了对应...

gzq0723的博客 175

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

月薪50K,大模型就业的热门方向

如今大模型席卷AI界,已经成为所有人工智能的从业者都要入局的领域。今天给大家梳理6个LLM热门方向。都是行业前沿与顶会大热,容易出idea,想冲顶会或者水paper都可以看一下。6个LLM热门方向(附对应最新论文代码)- 多模态大模型 144篇- 大模型+agent 158篇- 大模型+时序 23篇- 大模型高效应用 176篇- 大模型+RLHF 31篇- 大模型推理 14篇每个方向我都整理了对应...

深度学习技术前沿 115

LLM每周速递!学术最前沿:Agent应用、强化学习、RAG、复杂推理、多模态等

紧跟技术发展趋势,快速了解大模型最新动态。今天继续总结最近一周的研究动态,本片文章共计梳理了10篇有关大模型(LLMs)的最新研究进展,其中主要包括:多尺度注意力(Attention)、强化学习算DAPO算法、大模型多Agent系统、人形机器人、调研报告生成、多模型推理模型、长CoT推理模型、RAG系统能力提升应等热门研究。

yinizhilianlove的博客 1170

具身智能终极指南!世界模型&安全最新综述,从入门到前沿,一篇就够了!

今天分享2最新篇具身智能(Embodied AI)世界模型(World Model)和安全挑战的系统性综述

xx_nm98的博客 1609

顶会审稿人推荐的大模型中文教程!

但是LLM相关的内容很多,学校的老课程老教材关于LLM又太少。现在搞AI科研,基本上都离不开大模型。多模态大模型、大模型+时序、大模型+agent、大模型+RLHF、大模型高效应用、大模型推理。针对ChatGLM大模型,介绍ChatGLM模型微调代码实践以及模型微调。针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,并邀请。精读大模型-3论文、Instruct论文。基于模型剪枝的大模型高效计算和应用。实战基于大模型的对话系统(实战一)实战基于大模型的对话系统(实战二)

阿木寺的博客 50

爆火的大模型中文教程!

现在搞AI科研,基本上都离不开大模型。不管是“水”篇论文还是冲顶会,结合LLM的创新点都非常多。但是LLM相关的内容很多,学校的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高。针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,并邀请多位高校博士、国际顶会审稿人,联手打造了30节大模型课程。为了降低学习门槛,30节课程只要0.01元,内容非常全面:包含大模...

阿木寺的博客 274

TVA具身智能范式研究进展(19)

本文系统梳理了TVA具身智能2025-2026年的技术发展现状与趋势。当前研究聚焦五大前沿方向:多模态全域认知、多智能体集群协同、超长时序规划、人形机器人适配和端侧能耗优化,但仍在长时序推理、极端工况适配等方面存在技术挑战。未来技术演进将分三阶段:短期优化工程落地能力,中期突破人形机器人交互,长期构建AGI级通用智能。产业层面,TVA将主导工业、民生等场景落地,与VLA、世界模型形成稳定技术格局,推动AI从虚拟向物理世界延伸,成为下一代人工智能的核心增长引擎。

专注AI智能体前沿技术探索,为企业提质降本增效全面赋能! 1119

机器学习可解释性的研究进展!

论文提出 Boundless DAS 方法,通过用可学习参数替代分布式对齐搜索(DAS)中的暴力搜索步骤,基于因果抽象理论,借助梯度下降学习神经网络表示与可解释因果变量间的对齐关系,实现对大规模语言模型(如 7B 参数的 Alpaca)内部因果机制的高效、忠实且鲁棒的可解释性分析。这里为节省各位找参考的时间,我推荐你来咕泡教育,10年专注人工智能教育行业以及学术辅导,不代写只教方法——匹配国内外名校导师1对1带教,从选题到投稿全流程把关,帮你少走弯路,平均2-6个月就能中稿。

Aifuyao的博客 779

LLM每周速递!| 涉及多模态、MoE模型、Deepseek推理、Agent安全控制、模型量化等

紧跟技术发展趋势,快速了解大模型最新动态。今天继续总结最近一周的研究动态,本片文章共计梳理了「本周大模型(LLMs)的最新研究进展」。

yinizhilianlove的博客 1362
上一篇: 使用AI抓取了30万远程工作机会:外国小哥的血泪创业史
下一篇: 基于OBSIDIAN+Ollama+llama3.1构建个人智能助理
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2835原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值