时间序列+预训练大模型

1 介绍

本文介绍Chronos一个用于时间序列的语言建模框架，它挑战了时间序列特定特征或架构对于预测的必要性。Chronos与任何语言模型架构兼容，只需要进行微小的修改。预训练模型在领域性能方面明显优于现有的局部模型和特定任务深度学习基准，在未见过的数据集上获得了出色的结果，表现出通过微调有望取得进一步改进的迹象。这表明现有的语言模型架构在没有时间序列特定定制的情况下也能够进行预测，简化了预测管道，提供了只进行推理的选项。

图1 Chronos的高层次描述

2 背景

时间序列预测可以使用经典预测方法和深度学习方法。经典预测方法如ETS、ARIMA等为每个时间序列独立地拟合模型，而深度学习方法在给定的数据集中学习时间序列。**大型语言模型（LLM）**在自然语言处理任务中表现出色，基于transformer架构，通常在文本语料库上进行训练。基于预训练LLM的预测模型包括将数值时间序列数据视为原始文本，利用预训练的LLM进行微调，或将数值数据编码为数字字符串，在预训练的LLM上进行零样本设置来获取预报。**零样本学习。**Chronos模型是一种概率性的时间序列预测方法，它使用分类模型对观测值进行分类分布建模，执行回归分类。该模型不需要针对时间序列进行特定设计或特征，而是将时间序列值标记化到固定词汇表上，并在这些标记上训练现有的语言模型架构。**其他时间序列任务。**最近的研究已经研究了适用于时间序列任务的一般性模型，包括填补、预测、分类和异常检测。这些模型基于CNN的Inception模型和掩码预训练框架，将一维时间序列转换为二维图像表示，并基于周期性对时间序列进行分段和堆叠。这些模型在未见过的时间序列数据上表现出色，可以应用于预测之外的任务，如分类和异常检测。

3 Chronos：用于时间序列的语言建模框架

Chronos是一个用于时间序列预测的语言建模框架，通过调整现有语言模型架构和训练过程实现。由于自然语言和时间序列在表示方面的差异，需要对现有语言建模框架进行特定修改，特别是与分词有关的修改，以便适用于时间序列数据。时间序列数据应用于语言模型的方法包括缩放和量化，将时间序列转换为离散令牌，并使用编码器-解码器T5模型和GPT-2模型进行实验。Chronos模型通过最小化真实标签和预测标签之间的分类交叉熵来训练，使用Vts中元素的分类分布作为输出分布，具有两个关键优势：不需要修改语言模型架构或训练目标，以及允许模型学习任意分布，包括多模态分布。时序模型通过自回归采样从预测分布中获得未来多个实现，并将预测的令牌映射到实际值，再通过反标化变换进行反标化。

4 数据增强

TSMix是一种数据增强方案，用于缓解深度学习模型中的过度拟合和过拟合问题。它从训练数据集中随机采样k个特定长度的时间序列，对其进行缩放，并取其凸组合。组合权重从对称的Dirichlet分布中采样。TSMix通过混合来自不同时间序列的模式来增强数据的多样性。KernelSynth是一种用于生成合成时间序列的方法，它利用高斯过程生成合成时间序列，以增加模式多样性并弥补实际数据有限的情况下的不足。该方法通过随机组合高斯过程的核函数来生成新时间序列，并从GP先验中抽取样本生成合成时间序列。

图2 k={1,2,3}时的TSmix增强示例。

图3 （a）KernelSynth的示意图。（b）KernelSynth生成的合成时间序列示例

5 实验

本节介绍了使用Chronos模型进行时间序列预测的实验结果，包括数据集、训练策略、基准和评估指标的概述，以及模型在领域内和零样本设置下的性能评估、设计选择对性能的影响、定性性能分析和局限性等关键发现。实验结果表明Chronos模型在内部域数据集和零样本数据集上表现出色，超过了经典统计基线和特定任务的深度学习模型。模型在概率预报方面表现良好，优于许多特定任务模型。未来将致力于优化分词方法，以进一步提高模型的性能和可靠性。

表1 我们实验所使用的数据集和基线的概要

图4 在基准I上的不同模型性能，包括15个数据集，这些数据集也包含在Chronos模型的训练数据中

图5 在基准II上的不同模型性能，包含在训练过程中没有看到Chronos模型的27个数据集。

图6 在来自基准II的各个数据集上进行微调时，Chronos-T5（小型）相对于零样本性能显著提升，并且平均而言成为表现最佳的模型（见图5）。

图7 模型大小。（a）不同大小的Chronos模型训练损失曲线。（b）Chronos模型随模型大小变化的域内和零样本性能。

图8 不同模型大小下，使用语言模型权重初始化（标记为星号）的模型和三个随机初始化的模型（标记为圆圈）的域内和零样本性能的比较。

图9 初始化。不同大小的随机初始化的Chronos模型与使用语言模型权重的初始化的Chronos模型之间的训练损失的比较。

图10 (a)使用TSMix增强训练的Chronos-T5（Small）模型在域内和零样本性能之间的比较，以及没有TSMix增强的模型。(b)Chronos-T5（Small）模型在训练语料库中KernelSynth数据不同比例下的域内和零样本性能。

图11 Chronos-T5（小型）模型在训练步数、训练上下文长度和词汇量上的内域和零样本性能随时间的变化情况。

图12 Chronos-T5（基础版）对合成模式生成的预测。(a) 噪声。(b) 趋势。© 季节性。(d) 组合模式。

图13 当上下文不够长时，Chronos-T5（基础版）往往会低估趋势，如经典航空旅客数据（月度）和24个月预测时间跨度下的例子所示

图14 Chronos-T5（基础版）针对AR(1)和AR(4)过程生成的时序的预测结果

图15 来自Chronos模型对NN5（每日）、交通和医院数据集的序列的预测分布分布图。

图16 由于缩放和量化导致的精度损失

6 讨论

Chronos是时间序列预测的实用预训练模型，在综合测试数据集上表现出显著的零样本性能。通过微调，可以提高内域和零步结果，同时考虑其他信息，如协变量，可以训练针对任务的适配器，将协变量注入预训练的预测模型中。Chronos模型可以部署在不同历史长度、频率、预测时间和上下文长度的数据集上，简化了预测管道。为了提高推理速度，可以采用各种技术，如针对现代Ampere GPU优化的CUDA内核、量化、更快解码技术等。大规模时序数据集上的大型模型训练可以获得出色的领域内和零样本性能，但高质量的公开时序数据有限。解决数据有限问题的另一方向是开发更好的合成时序生成方法。