FLAME：基于流和勒让尔记忆模型的通用时间序列预测
机器学习
2026-02-10 v3
摘要
在本工作中，我们引入了 FLAME，一套极轻量且功能强大的时间序列基础模型，支持确定性和概率性预测通过生成式概率建模，从而确保效率和鲁棒性。FLAME 利用勒让尔记忆实现强大的泛化能力。通过在编码和解码阶段采用勒让尔记忆的变体，即翻译后的勒让尔（LegT）和缩放后的勒让尔（LegS），FLAME 能够有效捕捉数据中固有的归纳偏置并进行高效的长程推理。为了在保持高效性的同时提高概率性预测的准确度，FLAME 采用基于归一化流的预测头，以生成式方式建模预测时段上任意复杂的分布。针对广为人知的基准测试，包括 TSFM-Bench 和 ProbTS，进行了全面实验，证明了 FLAME 在确定性和概率性预测任务上始终保持最先进的零样性能。
引用
@article{arxiv.2512.14253,
title = {FLAME: Flow Enhanced Legendre Memory Models for General Time Series Forecasting},
author = {Xingjian Wu and Hanyin Cheng and Xiangfei Qiu and Zhengyu Li and Jilin Hu and Chenjuan Guo and Bin Yang},
journal= {arXiv preprint arXiv:2512.14253},
year = {2026}
}