TS-ICL：通过上下文学习的时间序列的灵活时间索引基础模型

基础模型标志着时间序列建模领域的深刻范式转变，特定任务模型被通用零样本模型所取代。然而，当前的方法主要侧重于预测，而现实世界的时间序列通常是不规则且部分观察的，需要能够联合预测、估算缺失值和处理退化采样条件的模型。为了应对这些挑战，我们引入了 TS-ICL，一种新颖的概率上下文学习编码器——统一了预测和插补的回归器 Transformer。 TS-ICL 将时间序列任务制定为时间戳对齐回归，并通过对从新颖的因果数据先验生成的合成依赖结构进行训练，自然地合并协变量。根据经验，TS-ICL 在插补方面实现了新的最先进水平，同时在单变量和协变量感知基准上保持与领先预测基础模型的竞争力。它在部分观察回溯窗口的预测中显示出特别强大的性能。