一种可扩展且可迁移的时间序列预测框架用于需求预测

时间序列预测是许多商业问题（包括需求预测和物流优化）中最基本且普遍的任务之一。然而，传统的时间序列预测方法产生的模型规模较小且表达能力有限，因为它们难以在保持高精度的同时扩大模型规模。在本文中，我们提出了 Forecasting orchestra (Forchestra)，这是一个简单但强大的框架，能够准确预测各类物品的未来需求。我们通过实证证明，该模型规模可扩展至高达 0.8 billion 参数。所提出的方法不仅以显著优势优于现有的预测模型，而且在下游数据集上进行零样本（zero-shot）评估时，也能很好地泛化到未见过的数据点。最后，我们提供了广泛的定性和定量研究，以分析所提出的模型如何优于基线模型并区别于传统方法。原文曾作为全文发表于 ICDM 2022，网址为：https://ieeexplore.ieee.org/document/10027662。