ICI-Time：面向时间序列预测的上下文修复

我们提出ICI-Time，一种将时间序列预测重构为视觉修复（inpainting）任务的新框架，利用大型视觉模型（LVM）的泛化能力。与需要专门时间架构和大量领域特定训练的方法不同，ICI-Time将时间序列转换为结构化视觉表示（面积图），并应用视觉上下文学习，把预测重新表述为网格结构提示中的模式补全，预训练视觉Transformer无需微调或架构修改即可解决。时间依赖性通过空间布局表示，数值域与视觉域之间存在一致且可逆的映射。在流行病学、气象学和电力系统上的大量实验表明，ICI-Time与深度学习基线相比具有竞争力，并在数据有限设置下展现出有希望的适应性，引入了一个连接时间域与视觉域的新范式。