算法进阶 | TimeGPT：第一个时间序列的大模型_timegpt预测和微调代码-优快云博客

本文链接：https://blog.youkuaiyun.com/csdn_xmj/article/details/141729087

本文来源公众号“算法进阶”，仅用于学术分享，侵权删，干货满满。

TimeGPT是首个时间序列基础大模型，能准确预测多样化数据集。评估显示，TimeGPT推理在性能、效率和简单性上优于统计、机器学习和深度学习方法。

1 介绍

不确定性是生活的一部分，人们一直在努力预测未来。预测潜在结果的愿望是多学科的基础，反映了人类预测、制定战略和降低风险的倾向。时间序列数据在许多领域中不可或缺，用于识别时间模式、趋势和周期性变化，以预测未来价值和为决策过程提供信息。然而，目前对时间序列的理论和实践理解尚未达成共识，预测科学领域的努力未能实现真正通用的预训练模型。

2 背景

关于深度学习方法的优越性，预测界存在分歧。尽管深度学习在其他领域取得成功，但时间序列从业人员对其有用性、准确性和复杂性提出质疑。历史上，统计方法如ARIMA、ETS等已在各领域得到应用，而近年来机器学习模型如XGBoost和LightGBM在竞赛和实际应用中取得了良好效果。

深度学习方法在学术界和工业预测应用中变得流行，因其全局方法在可扩展性、灵活性和潜在准确性方面具有优势，并能有效学习复杂数据依赖关系，简化预测流程并增强可扩展性。然而，学术研究人员和从业者对这些承诺存在分歧。一些人质疑提高准确性的基本假设，认为更简单模型优于更复杂方法，而另一些行业领导者则报告深度学习方法增强了他们的成果，简化了分析流程。

当前背景下，深度学习在NLP和CV领域的优越性能无可否认，但时间序列分析领域对神经预测方法的性能持怀疑态度。这种怀疑源于评估设置未对齐或定义不清晰、次优模型、缺乏大规模标准化数据集。与其他受益于理想测试数据集的领域不同，公开可用的时间序列数据集不具备深度学习方法所需的规模和数量。因此，尽管深度学习方法具有潜在优势，但由于种种挑战和限制，其在时间序列分析领域的应用和性能仍需进一步研究和验证。