20231010-AI前沿跟踪系列（二）：TimeGPT1：时间序列预测大模型.pdfVIP

证券研究报告|智能配置点评

智能配置点评报告日期：2023年10月10日

TimeGPT1：时间序列预测大模型

——AI前沿跟踪系列（二）

核心观点分析师：陈冀

执业证书号：S1230522110001

AzulGarza等人近期提出时间序列预测模型的新范式。集中海量各类时间序列训练通chenji@

用基础序列大模型。实验结果表明，TimeGPT预测结果在rMAE上还优于一些常见

相关报告

的树模型或深度学习模型。

1《基于人机互动和大语言模型

❑海量序列训练通用模型的因子挖掘平台》2023.09.18

TimeGPT是在尽可能大的公开可用时间序列集合上进行训练的，总共包含超过

1000亿个数据点。训练集涵盖了金融、经济、人口统计、医疗保健、天气、物

联网传感器数据、能源、网络流量、销售、交通和银行等广泛领域的时间序列。

❑精度和效率确有提升

从rMAE和rRMSE的角度评估，TimeGPT确实比简单时间序列方法、树模型、

传统DeepLearning方法略有提升。应用效率上，由于传统方法通常需要针对具

体的场景重构训练模型，而TimeGPT预测即直接inference。因此TimeGPT看上

去预测效率的提升，其实在训练时间序列大模型的时候已经开销掉了。

❑缺少有信息的预测基础

TimeGPT依然是一个纯数据驱动的大模型，未将关于底层过程的知识（如物理

定律、经济原则或医学事实）纳入预测中。而这种底层知识往往可能存在输入非

时间序列甚至非结构化数据表达。这就需要TimeGPT未来在多模态以及多模块

嵌入上进行进一步探索。

❑风险提示

本报告依据必威体育精装版前沿论文进行解读评述，若有理解不当请以原始论文表述为准。

且本报告为AI应用方法和框架介绍，并不作为有效投资方法建议，仅供参考。

1/10请务必阅读正文之后的免责条款部分

智能配置点评

正文目录

1TimeGPT源起4

2深度学习预测简述4

3时间序列TimeGPT-16

3.1TimeGPT-1架构6

3.2训练数据集6

3.3TimeGPT训练7

4实验结果7

4.1Zero-shot推理7

4.2Fine-tune微调8

4.3预测时间效率对比9

5结论9

6参考文献9

2/10请务必阅读正文之后的免责条款部分