TimePFN：基于合成数据的有效多变量时间序列预测方法
机器学习
2025-02-25 v1 人工智能
摘要
时间序列应用场景的多样性以及领域特定数据稀缺性凸显了具备强大零样学习能力的时间序列模型的需求。本文提出了一种新颖的训练方案和基于Transformer的架构，统称为TimePFN，用于多变量时间序列（MTS）预测。TimePFN基于先验数据拟合网络（PFN）的概念，旨在逼近贝叶斯推断。我们的方法包括（1）通过多样化的高斯过程核函数和线性共轫化方法生成合成MTS数据，以及（2）一种能够利用所有输入块中时序和跨通道依赖关系的新型MTS架构。我们在多个基准数据集上对TimePFN进行评估，证明其在零样和少样本设置下均优于现有SOTA模型。值得注意的是，仅用500个数据点进行微调即可几乎匹配完整数据集训练的误差，甚至50个数据点也能获得具竞争力的结果。我们还发现TimePFN在单变量预测方面表现出强劲的性能，证明了其泛化能力。总体而言，本工作利用合成数据先验的力量，实现了强大的零样和少样本预测性能。
引用
@article{arxiv.2502.16294,
title = {TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data},
author = {Ege Onur Taga and M. Emrullah Ildiz and Samet Oymak},
journal= {arXiv preprint arXiv:2502.16294},
year = {2025}
}
备注
To appear in AAAI-2025 as a conference paper