仅通过仿真的零样时序预测
机器学习
2026-01-06 v1
摘要
零样时序预测前景广阔，但仍处于早期阶段，受限于数据语料的稀缺与偏差、评估方法易泄露以及隐私和许可证限制。针对这些挑战，我们提出首个在速度上足以实现实时数据生成，同时在 M 系列和 GiftEval 基准上实现显著零样预测性能的单变量时间序列仿真管道。该仿真器称为 SarSim0（基于 SARIMA 的零样预测仿真器），其核心数据来源为季节性自回归积分移动平均 (SARIMA) 模型。由于自回归组件不稳定，朴素的 SARIMA 仿真常导致不可用的路径。我们遵循三步流程：(1) 从其特征多项式稳定区域采样良好行为轨迹；(2) 引入叠加方案将多个路径组合成富含多季节性痕迹；(3) 添加基于速率的厚尾噪声模型以捕捉泛化性和间歇性及季节性和趋势。SarSim0 速度远快于基于核的方法的生成器，使其能够在约 10 亿个纯仿真序列上进行训练，这些序列可即时生成；随后，经过验证的神经网络骨干网络在严格的零样协议下展现出强大的零样泛化能力，超越了强大的统计预测方法和最近的基础模型。值得注意的是，在 GiftEval 上我们观察到一种“学生超过教师”效应：在我们的仿真上训练的模型超过了 AutoARIMA 生成过程的预测准确率。
引用
@article{arxiv.2601.00970,
title = {Zero-shot Forecasting by Simulation Alone},
author = {Boris N. Oreshkin and Mayank Jauhari and Ravi Kiran Selvam and Malcolm Wolff and Wenhao Pan and Shankar Ramasubramanian and Kin G. Olivares and Tatiana Konstantinova and Andres Potapczynski and Mengfei Cao and Dmitry Efimov and Michael W. Mahoney and Andrew G. Wilson},
journal= {arXiv preprint arXiv:2601.00970},
year = {2026}
}