Synapse: Adaptive Arbitration of Complementary Expertise in Time Series Foundational Models

预训练的时间序列基础模型（TSFMs）是一项重要进展，能够预测具有复杂特征的多种时间序列，包括不同的季节性、趋势以及长程依赖关系。尽管其主要目标是实现通用时间序列预测，但其效果远非一致；由于训练协议和数据来源的不同，各个TSFM在不同预测任务、领域和预测范围上的表现差异显著。通过协调现有TSFM的输出来利用它们各自的互补优势，是一种极具吸引力的策略，然而这一研究方向目前仍鲜有探索。本文深入研究了不同TSFMs在各类预测场景下表现出的专门化性能特征，并探讨如何有效利用这种特性来实现不同时间序列模型之间的仲裁。我们特别分析了模型选择、预测时域分布等因素如何影响仲裁策略的有效性。基于上述分析，我们提出了Synapse——一种新颖的TSFM仲裁框架。Synapse旨在动态利用一组TSFM，根据各模型在特定上下文中的相对表现来分配并调整其预测权重，并通过对各组成模型输出的分位数进行自适应采样，构建出稳健的预测分布。实验结果表明，Synapse在各类时间序列预测任务中均持续优于其他主流集成方法及单个TSFM，充分验证了其在时间序列预测中的有效性。

论文试图解决预训练时间序列基础模型（TSFMs）在不同任务、领域和预测范围内性能不一致的问题。尽管这些模型旨在实现通用时间序列预测，但由于训练协议和数据来源的差异，各模型表现参差不齐。如何有效整合多个TSFM的互补优势，目前仍缺乏系统研究，因此这是一个尚未被充分探索的重要问题。

提出Synapse——一种动态仲裁框架，通过分析不同TSFM在特定上下文中的表现，动态分配并调整各模型的预测权重，并基于各模型输出的分位数自适应采样，构建鲁棒的预测分布。其核心创新在于引入情境感知的权重机制和基于分位数的集成策略，而非简单的平均或固定加权集成。

作者系统分析了不同TSFM在多种预测场景下的性能特征，揭示了模型选择与预测范围对集成效果的影响。实验设计覆盖多个真实世界时间序列数据集，验证了Synapse在各种设置下均优于主流集成方法和单一模型。论文强调了开源代码的重要性，虽未明确提及是否已开源，但其可复现性设计为后续研究提供了良好基础。未来可深入研究更精细的情境建模方式及在线学习权重更新机制。

近期相关研究包括：《Time Series Foundation Models: The Era of Scale》探讨大规模时间序列模型的潜力；《N-BEATS: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting》提出可解释的深度模型；《Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting》结合注意力机制进行多步预测；《Ensemble Methods for Time Series Forecasting: A Survey》综述了传统与现代集成方法。这些工作为TSFM及其集成提供了理论与实践基础。