Zero-shot forecasting of chaotic systems

时间序列预测是一项具有挑战性的任务，传统上需要为特定任务定制专门的模型。最近，受到大型语言模型的成功启发，基于大量来自不同领域的时间序列数据进行预训练的基础模型已成为通用时间序列预测的有希望的候选者。这些基础模型的定义特征是它们能够执行零样本学习，即从有限的上下文数据中预测新的系统，而无需进行显式的重新训练或微调。在这里，我们评估了零样本学习范式是否适用于预测混沌系统这一具有挑战性的任务。在135个不同的混沌动力系统和$10^8$个时间点上，我们发现基础模型与定制训练模型（包括NBEATS、TiDE等）相比，产生了有竞争力的预测结果，尤其是在训练数据有限的情况下。有趣的是，即使点预测失败，基础模型仍然保留了混沌吸引子的几何和统计特性，展示了对混沌动力系统长期行为的惊人强大能力。我们的结果突显了基础模型在进行混沌系统零样本预测方面的优点和缺陷。

评估基础模型在零样本预测混沌系统中的表现，探索其长期行为的能力。

利用基础模型进行零样本预测混沌系统，发现其在预测上表现良好，即使在点预测失败的情况下，也能保留混沌吸引子的几何和统计特性。

论文使用了135个不同的混沌动力系统和10亿个时间点进行实验，发现基础模型在有限的训练数据下表现优异。实验结果表明基础模型在零样本预测混沌系统方面具有潜力。

最近的相关研究包括基于深度学习的时间序列预测和混沌系统预测，如NBEATS，TiDE等。