数据归一化对时间序列基础模型零样本泛化影响的比较研究
机器学习
2026-01-30 v2 人工智能
摘要
我们研究了时间序列基础模型（TSFMs）的输入归一化方法。虽然归一化在数据集特定的时间序列模型中已被广泛研究，但在泛化至关重要的TSFMs中仍被忽视。与文本或图像不同，时间序列数据在不同领域和通道之间表现出显著的尺度变化，并伴随非平稳性，这可能削弱TSFM的性能，而与架构复杂度无关。通过在四个架构各异的TSFM上进行系统评估，我们实证确立了REVIN是最高效的方法，相对于未归一化基线将零样本MASE降低了89%，相对于其他归一化方法降低了44%，同时在不进行任何数据集级预处理的情况下匹配了域内最佳精度（0.84 MASE），从而实现了最高的精度-效率权衡。然而，其效果利用取决于架构设计选择和优化目标，特别是关于训练损失尺度敏感性和模型类型（概率模型、点预测模型或基于LLM的模型）。
引用
@article{arxiv.2512.02833,
title = {A Comparative Study on How Data Normalization Affects Zero-Shot Generalization in Time Series Foundation Models},
author = {Ihab Ahmed and Denis Krompaß and Cheng Feng and Volker Tresp},
journal= {arXiv preprint arXiv:2512.02833},
year = {2026}
}