时间序列基础模型的潜在推理时间指导

时间序列基础模型 (TSFM) 目前在预测任务中提供最先进的结果。它们是开箱即用的，并依靠上下文学习来进行预测，这使得它们的性能质量对用户选择的回溯、协变量、范围和训练数据分布高度敏感。在实践中，预测的质量是可变的，但又是互补的，这突出表明需要有原则的集成方法，而不是选择最佳背景。本文介绍了 TSFM 的潜在推理时间指导，它通过具有独立组件的时间相关潜在空间自适应地组合 TSFM 预测池。该框架配备了可识别性和重建保证，同时保持了基础模型的现成特性。我们提供了不同频率和多个领域的数据集的实验：这些表明该方法与传统的集成方法相比具有竞争力。