Synapse：面向时间序列基础模型的自适应专长互补仲裁

预训练的时间序列基础模型（TSFMs）代表了一种重大进步，能够对具有各种复杂特征的多样化时间序列进行预测，包括各种季节性、趋势和长程依赖。尽管其主要目标是实现通用时间序列预测，但其效能远非均匀；不同的数据训练协议和数据源导致单个TSFM在不同的预测任务、领域和预测时域上表现高度可变。通过仲裁现有TSFM的输出来利用这种互补专长具有引人瞩目的策略，但这仍然是一个 largely 未被充分探索的研究领域。本文对如何表现出在各种预测设置下的专门化性能特征，以及如何有效地利用这种行为进行不同时间序列模型之间的仲裁进行了全面检视。我们特别分析了模型选择和预测时域分布等因素如何影响仲裁策略的效能。基于这一分析，我们提出了一种名为Synapse的新型仲裁框架。Synapse旨在动态地利用TSFM池，根据其相对、情境依赖的性能分配和调整预测权重，并通过自适应地从组成模型的输出分位数中进行抽样来构建稳健的预测分布。实验结果表明，Synapse consistently优于其他流行的集成技术以及单个TSFM，展示了Synapse在时间序列预测中的效能。