Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Фундаментальные модели временных рядов не всегда продолжают простую экспоненту и могут игнорировать признак, который точно показывает будущее значение. В нерецензированном препринте Layer6 AI, где все числа получили сами авторы, на данных об уровне воды DLinear снизила ошибку благодаря такому признаку на 24,2%, а Chronos-2 — на 5,9%. Для прогнозирования спроса, нагрузки или показаний датчиков общий балл бенчмарка поэтому не заменяет тестов на значимых для продукта зависимостях.
Команда собрала SimpleTimeBench — набор простых проверок для линейных и экспоненциальных трендов, периодических сигналов, шума и случайных процессов. Тесты охватывают одиночные и многомерные ряды, а также сценарий с идеальным опережающим признаком: модель получает копию целевого ряда, сдвинутую во времени.
Chronos-2, Moirai и Toto часто возвращали прогноз к среднему, сглаживали экспоненциальный рост и почти не использовали опережающий признак. У Chronos-2 на случайном блуждании относительная средняя абсолютная ошибка, где меньше — лучше, изменилась лишь с 1,02 до 0,98 после добавления точной подсказки о будущем.
Узкое дообучение Chronos-2 исправило отдельные сбои: на экспоненциальных рядах три показателя ошибки улучшились более чем на 50%. Но обучение сразу на всём SimpleTimeBench дало около 5% выигрыша по основной процентной ошибке и не научило модель стабильно использовать опережающие признаки. Настройка под один тип зависимости также ухудшала результаты на других простых шаблонах.
Проверка охватила Chronos-2, Moirai и Toto на синтетических рядах, задачах GIFT-Eval, данных с датчиков на реке Delaware и специально собранном примере с акциями NVIDIA. Модели сравнивали в режиме одного ряда и с дополнительными признаками, а на прикладных примерах — с DLinear. Работа диагностирует конкретные архитектуры и режим прогноза без дообучения, а не все способы анализа временных рядов.
Источники
Иллюстрация: рисунок из статьи «Foundations without Fundamentals: Zero-Shot Blind Spots in Time Series FMs», Nafiseh Ghoroghchian, Haipeng Zhang, Shuyi Han и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
