Chronos-2：面向多变量时间序列预测的基础模型
Chronos-2: A foundation model for multivariate time series forecasting
Chronos-2 是一个面向零样本预测的时间序列基础模型，可直接从历史上下文推断多条时间序列之间以及异构协变量之间的关系，并生成概率预测。论文称其在多项基准上平均技能分数比最强基线高 5.2 个百分点、胜率提升 10 个百分点，在单块中端 GPU 上不到一秒即可为 100 条时间序列生成预测。该模型还在传染病预测、宏观经济建模、碳通量预测和径流模拟等场景中与各领域专用方法持平或更优。
作者：Abdul Fatir Ansari、Oleksandr Shchur、Jaris Küken、Andreas Auer、Boran Han、Pedro Mercado、Syama Sundar Rangapuram、Huibin Shen、Lorenzo Stella、Xiyuan Zhang、Mononito Goswami、Shubham Kapoor、Danielle C. Maddix、Pablo Guerron、Florian Saupe、Markus Reichstein、Tony Hu、Junming Yin、Nick Erickson、Prateek Mutalik Desai、Hao Wang、Huzefa Rangwala、George Karypis、Yuyang Wang、Michael Bohlke-Schneider
摘要：在从流行病学和经济学到能源系统和地球科学的各类科学应用中，带有不确定性量化的准确预测至关重要。然而，大多数预测模型仍需针对每个特定领域的数据集单独开发和训练。时间序列基础模型（TSFM）旨在消除这一限制，通过大规模预训练使同一模型能够跨领域应用。但是，现有的大多数 TSFM 将每条时间序列独立处理，因此无法对时间序列之间以及外部驱动因素之间的相互作用进行建模。在此，我们推出 Chronos-2，这是一个用于零样本预测的基础模型，可对多变量时间序列与异质协变量之间的相互作用进行建模，这类相互作用在科学应用中十分常见。该模型直接从历史上下文中推断时间序列之间的关系，并生成概率预测，无需针对特定任务进行处理。在各类基准测试中，Chronos-2 平均而言达到了最先进的准确率，其技能分数相较最强基线提升了 5.2 个百分点，胜率提升了 10 个百分点。Chronos-2 在计算上也很高效，在单块中端 GPU 上不到一秒即可为 100 条时间序列生成预测，端到端速度分别比最佳的任务特定点预测器和概率预测器快 50 倍和 1000 倍。此外，我们展示了其在多种科学场景中的有效性——包括传染病预测、宏观经济建模、碳通量预测和径流模拟——在这些场景中，该模型达到或超过了为各领域专门开发的方法。这些结果表明，单个预训练模型能够捕捉跨时间系统共享的结构。
| 评论： | 41 页，9 幅图。Chronos-2 技术报告（arXiv:2510.15821）的扩展版本，新增了科学案例研究（流行病学、宏观经济学、碳通量、水文学、分层预测）、额外基线、消融研究和校准分析。代码：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2610.41956 [cs.LG] |
| （或本版本的 arXiv:2610.41956v1 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2610.41956 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
发件人：Abdul Fatir Ansari [查看邮件]
[v1]
2026年10月30日星期五 16:08:23 UTC（1,919 KB）
来源：arXiv cs.AI · arxiv.org