TimeHF：基于人类反馈的百亿级时间序列模型
机器学习
2025-01-28 v1
摘要
时间序列神经网络在实际应用中表现卓越，但面临规模受限、泛化不足及零样本性能不佳等挑战。受大型语言模型的启发， developing 大型时间序列模型 (LTM) 以解决这些问题的尝试日益增长。然而，当前方法在训练复杂度、适应人类反馈和实现高预测精度方面仍有困难。我们引入 TimeHF，一个用于创建具有 60 亿参数的 LTM 且纳入人类反馈的新型管道。我们采用 patch convolutional embedding 来捕获长时间序列信息，并设计一种称为时间序列策略优化的人类反馈机制。在 JD.com 的供应链上部署时，TimeHF 处理了超过 20,000 种产品的自动补货，预测精度比现有方法提高 33.21%。本工作推动了 LTM 技术的发展，并在实际应用中展现了显著的产业效益。
关键词
引用
@article{arxiv.2501.15942,
title = {TimeHF: Billion-Scale Time Series Models Guided by Human Feedback},
author = {Yongzhi Qi and Hao Hu and Dazhou Lei and Jianshen Zhang and Zhengxin Shi and Yulin Huang and Zhengyu Chen and Xiaoming Lin and Zuo-Jun Max Shen},
journal= {arXiv preprint arXiv:2501.15942},
year = {2025}
}