ViTime: A Visual Intelligence-Based Foundation Model for Time Series Forecasting

大型预训练模型在自然语言处理（NLP）和计算机视觉（CV）领域的成功为时间序列预测（TSF）构建基础模型开辟了新的道路。传统的TSF基础模型主要依赖于数值数据拟合。相比之下，人类大脑本身擅长处理视觉信息，更喜欢通过观察可视化序列来预测未来趋势。从仿生学的角度来看，直接处理数值序列的模型可能不是实现人工通用智能（AGI）的最有效途径。本文提出了ViTime，一种基于视觉智能的TSF基础模型。ViTime利用视觉数据处理范式克服了数值时间序列数据拟合的局限性，并在训练过程中采用了一种创新的数据合成方法，称为Real Time Series（RealTS）。在多个以前未见过的预测数据集上进行的实验表明，ViTime实现了最先进的零样本性能，甚至在某些情况下超过了最佳的单独训练的监督模型。这些发现表明，视觉智能可以显著增强时间序列分析和预测，为该领域的更高级和更多功能的模型铺平了道路。我们框架的代码可在https://github.com/IkeYang/ViTime上访问。

本论文旨在提出一种基于视觉智能的时间序列预测基础模型，以克服传统基于数值拟合的基础模型的局限性，探索视觉智能在时间序列分析和预测中的应用。

ViTime模型采用了视觉数据处理范式，并在训练过程中使用了一种创新的数据合成方法RealTS，以实现更准确的时间序列预测。

论文通过实验验证了ViTime模型在多个时间序列预测数据集上的性能，展现出了其在零样本情况下的卓越表现，甚至在某些情况下超过了最佳的监督学习模型。ViTime模型的代码也已经开源。

最近的相关研究包括：1.《DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks》；2.《Neural Prophet: Neural Networks for Time Series Forecasting》；3.《Time Series Forecasting with Deep Learning: A Survey》等。