Foundation Model 预测：形式与功能

时间序列基础模型（TSFMs）在预测准确率方面取得优异成绩，但准确率本身并不决定实际价值。预测的形式——点预测、分位数预测、参数化预测或轨迹集合——从根本上限制了其能支持的运营任务。我们调查了最近的 TSFMs，发现其中三分之二只产生点预测或参数化预测，而许多运营任务需要保持时间依赖性的轨迹集合。我们阐明了何时可以将预测类型进行转换，何时则不能：通过边际化可在不额外假设的情况下将轨迹集合转换为更简单形式，但反向操作需要通过 copula 或 conformal 方法来实现时间依赖性。我们证明了边际分布无法确定路径相关事件概率——无限多个联合分布共享相同的边际分布，但对运营问题的答案各不相同。我们将六项基本预测任务映射到最小充分预测类型，并提供任务对齐的评估框架。我们的分析阐明了何时预测类型（而非准确率）才是实际效用性差异的关键。