论利用协变量的时间序列基础模型中日历特征的编码

arXiv:2610.13676v1 公告类型：新论文 摘要：时间序列基础模型（TSFMs）越来越多地支持协变量，其中日历信息是实践中最常见的类别协变量，因为每个时间点都有相应的日历信息。然而，这些特征的编码方式大多被视为实现细节，而非研究对象，尽管编码是预训练模型在推理时仍可调整的少数设计选择之一。本研究表明，信息传入模型的方式会显著影响 TSFMs 的预测准确性。因此，我们在来自多个领域的九个数据集上，对四种最先进的 TSFMs 进行零样本滚动评估，系统比较了七种日历编码，包括三种常规的、与目标无关的表示方式（序数编码、独热编码和周期编码）以及四种目标编码。这九个数据集受到周末和节假日等相关社会活动的影响，因此日历信息对预测尤为重要。我们发现，编码选择会影响所有模型的预测准确性；在同一模型内，不同编码在非节假日的 MASE 差异最高可达 9.9%，在节假日则可达 83%。编码的有效性及其被利用的程度在不同模型间存在显著差异。性能提升主要集中在节假日前后，此时日历信息提供了目标变量历史数据中无法获取的信号；同时，某些模型与编码的组合也能改善非节假日的预测。基于 SHAP 的归因分析确定了协变量相对于自回归部分的贡献，并解释了某些模型与编码的组合为何会导致性能下降。我们的研究结果表明，当前针对利用协变量的 TSFMs 的基准测试，可能会因采用固定编码策略而扭曲模型比较结果。