Закрываем тему

Предварительно обученные модели временных рядов позволили создавать системы прогнозирования, ориентированные только на вывод, которые выдают точные прогнозы без специализированного обучения. Однако существующие подходы в основном сосредоточены на одномерном прогнозировании, что ограничивает их применимость в реальных сценариях, где многомерные данные и ковариаты играют решающую роль. Мы представляем Chronos-2, предварительно обученную модель, способную выполнять одномерные, многомерные и ковариатно-информированные задачи прогнозирования без ошибок. Chronos-2 использует механизм группового внимания, который способствует контекстному обучению (ICL) посредством эффективного обмена информацией между несколькими временными рядами внутри группы, которые могут представлять собой наборы связанных рядов, переменных многомерного ряда или целевых объектов и ковариатов в задаче прогнозирования. Эти общие возможности достигаются посредством обучения на синтетических наборах данных, которые накладывают разнообразные многомерные структуры на одномерные ряды. Chronos-2 обеспечивает высочайшую производительность в трёх комплексных бенчмарках: fev-bench, GIFT-Eval и Chronos Benchmark II. В fev-bench, который делает акцент на многомерном и ковариативном прогнозировании, универсальные возможности ICL Chronos-2 приводят к существенному улучшению по сравнению с существующими моделями. В задачах, связанных с ковариатами, он стабильно значительно превосходит базовые показатели. Практические исследования в сфере энергетики и розничной торговли ещё раз подчеркивают его практические преимущества. Возможности контекстного обучения Chronos-2 делают его универсальной моделью прогнозирования, которую можно использовать «как есть» в реальных процессах прогнозирования. - Chronos-2: From Univariate to Universal Forecasting