SeqFusion：用于零样本时间序列预测的预训练模型序贯融合
机器学习
2025-03-05 v1 人工智能
摘要
与传统需要大量任务内数据进行训练的时间序列预测方法不同，零样本预测可以直接根据目标时间序列预测未来值而无需额外训练数据。当前零样本方法主要依赖预训练的通用模型，其性能往往取决于预训练数据的多样性和相关性，这可能引发隐私问题。与其收集多样化的预训练数据，我们在本文中提出了 SeqFusion，一个通过序贯方式收集和融合多样化预训练模型（PTM）以进行零样本预测的新框架。基于目标时间序列的特定时序特征，SeqFusion 从一批预收集的 PTM 中选择最合适的模型，进行序贯预测，并在使用最少数据保护隐私的同时融合所有预测。每个 PTM 专注于不同的时序模式和预测任务，使 SeqFusion 能够通过测量目标时间序列与每个 PTM 在共享表示空间中的距离来进行选择。实验表明，SeqFusion 在零样本预测方面取得了与现有先进方法相当的准确率。
引用
@article{arxiv.2503.02836,
title = {SeqFusion: Sequential Fusion of Pre-Trained Models for Zero-Shot Time-Series Forecasting},
author = {Ting-Ji Huang and Xu-Yang Chen and Han-Jia Ye},
journal= {arXiv preprint arXiv:2503.02836},
year = {2025}
}