今天给大家分享一篇创新的时间序列预训练模型Chronos。在实际业务场景中，时间序列预测对业务决策至关重要，但传统方法往往面临数据稀缺、模型泛化能力弱等挑战。现有深度学习方法虽然表现优异，但通常需要在每个数据集上单独训练，而基于大语言模型的方案又存在计算成本高、需要复杂提示工程等问题。亚马逊研究团队提出的Chronos框架，通过将时间序列数据转化为离散标记并直接训练语言模型，开创性地实现了"时间无关"的时序预测。该模型不仅支持零样本预测，还在多个基准测试中超越了专门训练的模型，为构建通用时序预测模型提供了全新思路。

接下来，我将深入对这篇论文展开全面解读。和以往一样，我会严格依照论文的结构框架，从研究背景、核心论点、实验设计到最终结论，逐一对文章的各个关键部分进行细致剖析 ，力求为大家呈现这篇时间序列预测论文的全貌，挖掘其中的研究价值与创新点。

1. Abstract

本文推出Chronos——一种简洁而高效的预训练概率时间序列模型框架。该框架通过缩放与量化将时间序列值标记化为固定词汇表，并基于交叉熵损失函数，在经标记化处理的时间序列数据上训练现有的基于Transformer架构的语言模型。本文基于T5系列模型（参数规模从2000万至7.1亿不等），在大量公开可用数据集基础上对Chronos模型进行预训练，并辅以通过高斯过程生成的合成数据集以提升泛化能力。在包含42个数据集的综合基准测试中（涵盖经典局部模型与深度学习方法），研究表明Chronos模型：（a）在训练集包含的数据集上显著优于其他方法；（b）面对未见过的新数据集时，其零样本预测性能与专为该数据集训练的方法相当，有时更胜一筹。本文的成果证明Chronos模型能够利用来自不同领域的时间序列数据，提升未知预测任务中的零样本精度，由此将预训练模型确立为显著简化预测流程的有效工具。

2. Introduction

时间序列预测是零售、能源、金融、医疗、气候科学等诸多领域决策制定的关键组成部分。传统上，预测领域一直由ARIMA和ETS等统计模型主导。这些模型作为可靠工具至少服务至今，直到近期开始转向深度学习技术（Hyndman & Athanasopoulos, 2018; Benidis et al., 2022）。这种转变可归因于大规模多样化时间序列数据资源的可获得性，以及能够发挥深度预测模型优势的操作性预测问题（Kolassa & Januschowski, 2019）的出现——即从海量时间序列集合中提取规律的能力。尽管深度预测模型表现卓越，但它们仍遵循在相同数据集上进行训练和预测的标准范式。虽然已有研究致力于预测中的迁移学习（Ye & Dai, 2018）和领域自适应（Jin et al., 2022），但该领域尚未收敛于统一的通用预测模型，这一目标始终是时间序列研究者追寻的灯塔。

完整文章链接：https://mp.weixin.qq.com/s/t_y0SHOajMkkNaJTb3qOEw