FlowState：采样率不变的时间序列预测

基础模型（FMs）已彻底变革了自然语言处理，但其成功尚未转化为时间序列预测。现有的时序基础模型（TSFMs），通常基于变换器变体，难以在不同的上下文和目标长度之间实现泛化，缺乏对不同采样率的适应性，且计算效率不高。我们引入FlowState，一种新型TSFM架构，通过两种关键创新解决了这些挑战：基于状态空间模型（SSM）的编码器和函数基解码器。这种设计实现了连续时间建模和动态时间尺度调整，使FlowState能够本质上地在所有可能的时间分辨率上进行泛化，并动态调整预测时域。与其他领先TSFMs不同，后者需要在所有可能的采样率上进行训练数据以记忆每个尺度的模式，而FlowState能够本质上适应输入尺度的内部动态，实现更小的模型、更少的数据需求和更好的效率。我们进一步提出了一种高效的预训练策略，以提高鲁棒性并加快训练速度。尽管FlowState是最小的模型，却超过了所有其他模型，在GIFT-ZS和Chronos-ZS基准测试中均为最先进成果。消融研究确认了其组件的有效性，我们展示了其独特能力能够适应性地在线地调整到不同的输入采样率。