时间序列基础模型准备好用于电子鼻数据了吗？对嵌入的实证评估

受自然语言处理和计算机视觉进步的启发，最近推出了“时间序列基础模型”（TSFM），有望在不同的时间序列任务中实现强大的泛化能力，包括预测、分类和异常检测，以及医疗保健、气候科学和制造等领域。然而，它们在气体传感数据方面的用途在很大程度上仍未得到探索。为了解决这一差距，本文系统地评估了最新的电子鼻 (E-Nose) 数据 TSFM。特别是，我们研究了代表性 TSFM（包括 Chronos-2 和 MOMENT）产生的嵌入是否为气体识别和浓度预测提供了有效的表示。具体来说，我们表明 微调 对于在电子鼻数据上实现令人满意的性能是必要的，并且将 TSFM 嵌入与专门预测模型学习的表示融合可以进一步提高性能，表明当前 TSFM 在气体传感应用中的潜力和局限性。