面向零样本预测的面向时间感知的先验数据拟合网络
机器学习
2026-03-18 v1
摘要
在许多时间序列预测场景中，目标时间序列常伴随着外生协变量，例如零售需求中的促销和价格；能耗负荷中的温度；交通或销售中的日历和节假日指标；以及电价中的电网负荷或燃料成本。忽略这些外生信号会显著降低预测准确性，尤其是在它们引发尖峰、离散点或 regime 和 phase 变化时。目前大多数时间序列基础模型（如 Chronos、Sundial、TimesFM、TimeMoE、TimeLLM 和 LagLlama）均忽略外生协变量，仅基于数值时间序列历史进行预测，从而限制了其性能。本文发展了 ApolloPFN—a一种面向时间感知的先验数据拟合网络（PFN），其不同于传统先验 PFNs 且原生集成外生协变量（不同于传统单变量预测器）。我们的设计包含两个主要突破：(i) 针对 tabular（非时序）PFNs 应用于时间序列时所出现的失效模式，设计了量身定制的合成数据生成程序；(ii) 引入面向时间的架构修改，将利用时序上下文所必需的归纳偏置嵌入其中。我们展示了 ApolloPFN 在包含外生信息的基准测试（如 M5 和电价预测）中实现了最先进的结果。
引用
@article{arxiv.2603.15802,
title = {Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables},
author = {Andres Potapczynski and Ravi Kiran Selvam and Tatiana Konstantinova and Shankar Ramasubramanian and Malcolm Wolff and Kin G. Olivares and Ruijun Ma and Mengfei Cao and Michael W. Mahoney and Andrew Gordon Wilson and Boris N. Oreshkin and Dmitry Efimov},
journal= {arXiv preprint arXiv:2603.15802},
year = {2026}
}