桥接高频数据差距：面向时序基础模型的毫秒级分辨率网络数据集
机器学习
2026-04-22 v2 人工智能
摘要
时序模型基础模型（TSFMs）需要多样化的真实世界数据集以适应不同领域和时间频率。然而，当前大规模数据集主要聚焦于采样间隔（即时间分辨率）在秒级到年级的低频时序数据，限制了其捕捉高频时序数据细节的能力。为此，我们引入一个新数据集，捕捉来自 operational 5G 无线部署的毫秒级分辨率无线和交通条件，拓展了TSFMs的应用范围，使其能够包含高频数据进行预训练。此外，该数据集引入了新的领域——无线网络，补充了能源和金融等更通用领域。数据集还提供了短期预测的用例，预测时程跨越1毫秒（1步）到96毫秒（96步）。通过在该数据集上对传统机器学习模型和TSFMs进行基准测试，我们表明大多数TSFM模型配置在零样本和微调设置下在该新数据分布上表现不佳。我们的工作凸显了在预训练和预测中纳入高频数据集的重要性，以提升TSFMs在真实世界应用中的架构、微调策略、泛化能力和鲁棒性。
引用
@article{arxiv.2603.16497,
title = {Bridging the High-Frequency Data Gap: A Millisecond-Resolution Network Dataset for Advancing Time Series Foundation Models},
author = {Subina Khanal and Seshu Tirupathi and Merim Dzaferagic and Marco Ruffini and Torben Bach Pedersen},
journal= {arXiv preprint arXiv:2603.16497},
year = {2026}
}