Foundation Models for Time Series Analysis: A Tutorial and Survey

时间序列分析是数据挖掘社区的焦点，是提取对众多实际应用至关重要的有价值见解的基石。最近基础模型（FMs）的进展从根本上重新塑造了时间序列分析模型设计的范式，在实践中提高了各种下游任务的效率。这些创新方法通常利用预训练或微调的FMs，以利用专门针对时间序列分析量身定制的广义知识。在本次调查中，我们旨在提供关于时间序列分析FMs的全面和最新概述。尽管以前的调查主要集中在时间序列分析中FMs的应用或流程方面，但它们经常缺乏对阐明FMs为什么以及如何有益于时间序列分析的基本机制的深入理解。为了解决这个问题，我们的调查采用了以模型为中心的分类，勾勒出时间序列FMs的各种关键要素，包括模型架构、预训练技术、适应方法和数据模态。总的来说，本次调查旨在巩固与时间序列分析相关的FMs的最新进展，强调它们的理论基础、最近的发展进展以及未来研究探索的途径。

本论文旨在全面而更新地概述基于基础模型的时间序列分析方法，包括模型架构、预训练技术、适应方法和数据模态等方面。同时，论文也探讨了这些方法的理论基础、发展趋势和未来研究方向。

论文采用了模型为中心的分类方法，阐述了基于基础模型的时间序列分析方法的关键要素，包括模型架构、预训练技术、适应方法和数据模态等。相比之前的研究，本论文更加深入地探讨了这些方法的原理，阐明了基础模型为什么能够提高时间序列分析的效果。

论文强调了基于基础模型的时间序列分析方法在实践中的重要性和广泛应用，提出了一些新的思路和方法，如基于预训练模型的时间序列预测、基于对抗学习的时间序列分类、基于变分自编码器的时间序列异常检测等。论文还对当前的研究热点和未来的研究方向进行了探讨，为相关领域的研究提供了有价值的参考。

最近在这个领域中，还有一些相关的研究，如《Time Series Analysis with Deep Learning: Evaluation and Comparison》、《Deep Learning for Time Series Classification: A Review》、《A Survey on Deep Learning for Time-Series Forecasting》等。