一嵌入通用：基于模型动物园的高效零样本时间序列预测
机器学习
2025-09-26 v2
摘要
时间序列基础模型 (TSFMs) 的激增显著推进了零样本预测，使得无需针对特定任务进行微调即可对未见时间序列进行预测。大量研究证实，没有单一的 TSFM 能在所有方面都表现优异，因为不同模型对不同时间模式表现出偏好。这种多样性提供了一个机遇：如何利用 TSFMs 的互补能力。为此，我们提出 ZooCast，它刻画了每个模型独特的预测优势。ZooCast 能够智能地将当前的 TSFMs 组装成一个模型动物园，为不同的预测任务动态选择最优模型。我们的核心创新在于“一嵌入通用”范式，该范式构建了一个统一的表示空间，其中动物园中的每个模型由单一嵌入表示，从而实现对所有任务的高效相似度匹配。实验表明，ZooCast 在 GIFT-Eval 零样本预测基准上表现出强劲性能，同时保持了单一 TSFM 的效率。在模型按顺序发布的真实场景中，该框架能够以可忽略的开销无缝添加新模型，从而逐步提升精度。
引用
@article{arxiv.2509.04208,
title = {One-Embedding-Fits-All: Efficient Zero-Shot Time Series Forecasting by a Model Zoo},
author = {Hao-Nan Shi and Ting-Ji Huang and Lu Han and De-Chuan Zhan and Han-Jia Ye},
journal= {arXiv preprint arXiv:2509.04208},
year = {2025}
}