QUAL：分位数对齐提升零样本时间序列基础模型的性能

时间序列基础模型（TSFM）能够对未见过的序列进行零样本预测，但其准确性因数据集而异。组合多个模型可以减少这种差异，然而零样本部署无法提供用于选择模型或为其分配权重的目标标签。我们发现，模型池不仅可用于构建最终的集成模型，还可作为变换各成员预测的概率参照。通过这一相对于模型池的参照进行分位数对齐，可以在总体上改善每个成员的预测。受此发现启发，我们提出 QUAL（分位数对齐），这是一个简单的无标签框架，用于改进和组合多种 TSFM。QUAL 首先生成对齐后的成员预测，然后应用 Huber 聚合与重排，无需训练或修改模型即可获得稳健的组合预测。在 GIFT-Eval 上，分位数对齐使成员的平均 MASE 和 CRPS 分别降低了 7.4% 和 9.8%。当预测能力较弱的模型进入质量无法预先验证的候选池时，完整框架仍能保持稳健。代码可在 https://github.com/junhyeokkang/QUAL 获取。