Zero-Shot Time Series Forecasting with Covariates via In-Context Learning

要約

ゼロショット予測が可能な事前学習済み時系列モデルは、時系列予測のパフォーマンスとアクセシビリティの両方を向上させる重要な可能性を示している。しかし、既存の事前学習済みモデルは共変量をサポートしていないか、効果的に組み込むことができない。我々は、コンテキスト内学習によって共変量を利用するゼロショット予測モデルであるCOSMICを紹介する。データ不足の課題に対処するため、共変量を含むデータセットを必要とせずにCOSMICの学習を可能にする情報的共変量補強を提案する。COSMICは、共変量の有無に関わらず、ゼロショット予測において最先端の性能を達成した。我々の定量的・定性的分析は、COSMICがゼロショット予測において共変量を効果的に活用していることを示している。

要約(オリジナル)

Pretrained time series models, capable of zero-shot forecasting, have demonstrated significant potential in enhancing both the performance and accessibility of time series forecasting. However, existing pretrained models either do not support covariates or fail to incorporate them effectively. We introduce COSMIC, a zero-shot forecasting model that utilizes covariates via in-context learning. To address the challenge of data scarcity, we propose Informative Covariate Augmentation, which enables the training of COSMIC without requiring any datasets that include covariates. COSMIC achieves state-of-the-art performance in zero-shot forecasting, both with and without covariates. Our quantitative and qualitative analysis demonstrates that COSMIC effectively leverages covariates in zero-shot forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL