ViTime：基于视觉智能的时间序列预测基座模型
机器学习
2025-10-27 v4 人工智能
计算机视觉与模式识别
摘要
时间序列预测（TSF）在电力能源、交通等多个领域具有广泛的实际应用价值。目前的TSF方法涵盖从经典统计学到现代深度学习的各种技术。然而，所有方法都基于数值数据拟合这一基本概念，导致所developed的模型均具有问题特定性，缺乏应用的通用性。实践者希望拥有一种能够服务于不同应用场景下TSF任务的基座模型。本文提出了一种开创性的TSF基座模型开发方法，首次提出基于视觉智能驱动的框架ViTime。ViTime从数值拟合转向基于二进制图像构建的时间序列度量空间中的运算，自然支持点预测和概率预测。我们还提供了严格的理论分析，包括量化引起的系统误差界以及原则性的参数选择策略。此外，我们提出了RealTS算法，用于生成多样且真实的训练样本，有效丰富训练数据，显著提升模型的通用性。大量实验表明，ViTime在零样本场景下相较于TimesFM提升9-15%。仅需10%的微调数据，ViTime便超越了所有领先的基座模型和完全监督的基准，随着100%微调数据的增加，这一差距也随之扩大。ViTime还表现出卓越的鲁棒性，能有效处理缺失数据，在各种数据扰动下相较于TimesFM提升20-30%，验证了其视觉空间数据操作范式的强大能力。
引用
@article{arxiv.2407.07311,
title = {ViTime: Foundation Model for Time Series Forecasting Powered by Vision Intelligence},
author = {Luoxiao Yang and Yun Wang and Xinqi Fan and Israel Cohen and Jingdong Chen and Zijun Zhang},
journal= {arXiv preprint arXiv:2407.07311},
year = {2025}
}