AdaCast：自适应时间序列预测的条件参数生成

时间序列基础模型（TSFM）在跨领域取得了强大的预测性能。然而，大多数适应方法仍然是静态的。现有的一体化方法学习一组数据集级参数更新，并将相同的适应模型应用于每个输入。因此，他们无法使模型参数适应每个输入时间序列的时间模式、季节性和动态。这限制了他们针对异构输入进行定制预测的能力。为了解决这个限制，我们提出了 AdaCast，一种用于时间序列预测的条件参数生成框架。 AdaCast 使用生成器为冻结的预训练 TSFM 生成特定于输入的低秩参数更新。这些更新使模型在训练和推理期间适应每个输入。在六个公共基准中，AdaCast 在域内预测方面始终优于静态适应基线，并改进了对跨域保留数据集的零样本泛化。这些结果表明，条件参数生成提供了一种有效的方法 自适应预测。