Time Series Foundational Models：在异常检测与预测中的作用

时间序列基础模型（TSFM）在时间序列预测中已广受关注，承诺在各种应用中实现最先进的性能。然而，其在异常检测和预测中的应用仍未得到充分探索，人们日益担忧其黑箱特性、缺乏可解释性和适用性。本文对 TSFM 在异常检测和预测任务中的有效性进行了批判性评估。我们系统地分析了 TSFM 在多个数据集上的表现，包括那些缺乏明显模式、趋势和季节性的数据集。我们的分析表明，尽管 TSFM 可被扩展用于异常检测和预测，但传统统计模型和深度学习模型往往在这些任务中匹配或超越 TSFM。此外，TSFM 需要高计算资源，却未能有效捕获序列依赖关系，也未能在零样本或少样本情境中提升性能。预处理后的数据集、复现结果的代码以及补充材料已可在 https://github.com/smtmnfg/TSFM 获取。