详细内容或原文请订阅后点击阅览
关于时间序列基础模型 Chronos-2 的五个问题
第 1 部分：从业者对单变量、多变量、协变量通知和冷启动预测的演练。关于 Chronos-2 的五个问题（时间序列基础模型）首先出现在《走向数据科学》上。
来源:走向数据科学主流。我们首先在语言中看到它们，然后在视觉中看到它们，现在也在视频和语音中看到它们。现在的方法很熟悉：首先，在足够大的数据上预训练一个大的神经网络，然后将该模型应用于下游任务，而无需针对每个任务进行任何调整。
对于许多工业应用来说，时间序列是一种至关重要的模式。我们经常需要使用不同类型的记录数据进行预测、异常检测和分类。目前的做法通常是针对手头的一个特定问题构建专用模型。这是可行的，但它涉及相当多的“重新发明轮子”，并且如果当前问题的数据集很小，可能会提供次优的性能。
当然，我们想问：我们可以在这里应用相同的方法，即预训练一个大型时间序列基础模型并将其用于任何下游任务，开箱即用吗？
这就是时间序列基础模型（TSFM）背后的赌注。
事实上，很多工作已经沿着这条路走下去，我们现在看到了这样的模型的动物园，仅举几例：来自 Google 的 TimesFM、来自 Salesforce 的 MOIRAI、Lag-Llama、TimeGPT 和来自 AWS 的 Chronos 系列。
在这篇文章中，我们将介绍 Chronos-2 [1]，它是 Chronos 系列中的最新型号，于 2025 年 10 月发布。我们将介绍第一次遇到该型号时可能会问的五个问题：
对于问题 4，我们将实践一个关于合成建筑电力需求数据集的案例研究。
1. 什么是时间序列基础模型，它如何改变分析工作流程？
这是工作流程的重大转变。
六个月后，新的预测任务到来，循环几乎从头开始。
那么这意味着什么呢？