评估时间序列预测基础模型的运行可行性

时间序列预测推动金融、交通和能源等领域的运营决策。虽然监督学习方法取得了出色的性能，但它们需要特定领域的训练、特征工程和持续维护。大型基础模型最近作为零样本替代方案出现，避免了像 LLM 一样的特定任务训练。在这项工作中，我们根据标准监督方法评估基础模型。我们不只关注总体准确性，而是分析四种运营机制的绩效：周期性的以人为中心的系统、物理受限的流程、随机的金融市场和异构的需求预测。我们的结果描述了最佳部署区域的特征。基础模型在具有可转移周期结构的领域中表现良好，并且对于冷启动或长尾场景非常有效。相反，受监督的专家在受严格物理约束的系统中保持更高的精度。在金融领域，较新的基金会模型正在迅速缩小与受监督专家的绩效差距。我们进一步量化推理延迟、数据漂移适应性和部署约束方面的权衡。最后，我们提出了一个复杂性路由器，它使用经验特征将每个系列分配给最佳模型类。我们证明，与部署通用基础模型相比，这种选择性路由可以实现更高的准确性并显着降低推理成本，从而为平衡泛化和效率提供了实用的框架。