Chronos-2：用于多变量时间序列预测的基础模型

arXiv:2610.41956v1 公告类型：新提交 摘要：在从流行病学、经济学到能源系统和地球科学的各类科学应用中，具有不确定性量化能力的准确预测至关重要。然而，大多数预测模型仍需针对各领域的数据集单独开发和训练。时间序列基础模型（TSFMs）旨在通过大规模预训练消除这一限制，使同一模型能够跨领域应用。然而，现有的大多数 TSFMs 独立处理每条时间序列，因此无法建模时间序列之间以及时间序列与外部驱动因素之间的相互作用。在此，我们介绍 Chronos-2，这是一种用于零样本预测的基础模型，能够建模科学应用中常见的多变量时间序列与异构协变量之间的相互作用。该模型直接从历史上下文中推断时间序列之间的关系，无需针对特定任务进行处理即可生成概率预测。在各类基准测试中，相较于最强基线，Chronos-2 的技巧评分提高了 5.2 个百分点，胜率提高了 10 个百分点，平均准确性达到当前最先进水平。Chronos-2 还具有很高的计算效率，在单块中端 GPU 上，不到一秒即可为 100 条时间序列生成预测；其端到端速度分别是最佳任务专用点预测模型和概率预测模型的 50 倍和 1000 倍。此外，我们展示了它在多种科学场景中的有效性，包括传染病预测、宏观经济建模、碳通量预测和径流模拟；在这些场景中，该模型的表现达到或超过了为各领域开发的专用方法。这些结果表明，单个预训练模型能够捕捉不同时间系统之间共有的结构。