QUAL: L’allineamento dei quantili migliora i modelli fondazionali per serie temporali zero-shot

Abstract degli autori

I modelli fondazionali per serie temporali (TSFM) forniscono previsioni zero-shot per serie mai viste, ma la loro accuratezza varia da un dataset all’altro. Combinare più modelli può ridurre questa variabilità, ma nella distribuzione zero-shot non sono disponibili etichette target per selezionarli o assegnare loro pesi. Abbiamo constatato che un pool di modelli è utile non solo come ensemble finale, ma anche come riferimento probabilistico per trasformare le previsioni di ciascun modello. Allineare i quantili usando questo riferimento relativo al pool migliora nel complesso le previsioni di ciascun modello. Sulla base di questa constatazione, proponiamo QUAL (allineamento dei quantili), un framework semplice e senza etichette per migliorare e combinare TSFM diversi. QUAL produce prima previsioni allineate per ciascun modello, poi applica l’aggregazione di Huber e il riordinamento per ottenere una previsione combinata robusta, senza addestrare o modificare i modelli. Su GIFT-Eval, l’allineamento dei quantili riduce il MASE e il CRPS medi dei singoli modelli rispettivamente del 7,4% e del 9,8%. Il framework completo rimane robusto anche quando nel pool di candidati entrano modelli previsionali deboli, la cui qualità non può essere verificata in anticipo. Il codice è disponibile all’indirizzo https://github.com/junhyeokkang/QUAL.