用于真实合成多元时间序列的动态线性共区域化
机器学习
2026-05-12 v2 人工智能
摘要
合成数据对于训练时间序列基础模型（FMTS）至关重要，但大多数生成器假设静态相关性，且通常缺少真实的跨通道依赖关系。我们提出 DynLMC（Dynamic Linear Model of Coregionalization），一种引入时变、regime-switching 相关性和跨通道滞后结构的动态线性共区域化模型。我们的方法生成的合成多元时间序列具有与真实数据高度相似的相关性动态。在 DynLMC 生成的数据上对三个基础模型进行微调，可在九个基准测试上获得一致的零样本预测改进。我们的结果表明，建模动态跨通道相关性增强了 FMTS 的可迁移性，凸显了以数据为中心的预训练的重要性。
引用
@article{arxiv.2604.05064,
title = {Dynamic Linear Coregionalization for Realistic Synthetic Multivariate Time Series},
author = {Annita Vapsi and Penghang Liu and Saheed Obitayo and Aakriti and Manoj Cherukumalli and Prathamesh Patil and Amit Varshney and Nicolas Marchesotti and Elizabeth Fons and Vamsi K. Potluru and Manuela Veloso},
journal= {arXiv preprint arXiv:2604.05064},
year = {2026}
}
备注
ICLR 2026 Workshop on Time Series in the Age of Large Models