Chronos-2: A foundation model for multivariate time series forecasting
Chronos-2：多变量时间序列预测基础模型
🧭 时间序列基础模型 · 多变量预测
Amazon · University of Freiburg · Boston College · Rutgers University · Max Planck Institute for Biogeochemistry
零样本多变量时序基础模型，联合建模序列交互与异构协变量，精度与推理效率显著领先
📌 工作参考价值
- 把 Chronos-2 作为电商场景的 zero-shot 多变量预测底座：对销量、流量、广告消耗、库存等多条相关序列联合建模，并纳入价格、促销、节假日、市场指数等协变量，减少逐业务训练专用预测模型的工作量。
- 可直接复用「历史上下文推断序列关系 + 异构协变量」思路：在推荐/广告的实时调控中，对 CTR、转化率、GMV、曝光量等多指标联合预测，输出概率分布而非点值，便于做风险控制和预算分配。
- 其推理效率（100 序列/秒级）适合大规模商品/广告计划的批量预测与实时校准；若将预测结果作为特征或 reward 信号接入排序/Agent 决策，延迟成本可控。
- 如需领域适配，优先考虑基于 Chronos-2 微调或蒸馏，而不是从零训练；同时注意协变量口径统一与缺失处理，因为模型对异构协变量的建模能力是收益关键。
动机：现有时间序列基础模型（TSFM）大多把每条序列独立处理，无法建模多变量序列之间的相互影响和外部驱动变量，而科学应用（流行病学、经济学、能源、地球科学等）普遍存在这种多变量、带协变量场景。
方法：Chronos-2 以大规模预训练为基础，直接在历史上下文中推断多条时间序列之间的关系，并联合异构协变量进行概率预测，无需针对下游任务做特殊适配；支持零样本预测和不确定性量化。
结果：在多个基准上，平均 skill score 相对最强基线提升 5.2 个百分点，胜率提升 10 个百分点；在单张中端 GPU 上预测 100 条序列不到 1 秒，端到端速度分别比最佳点预测和概率预测专用模型快 50 倍和 1000 倍。在传染病预测、宏观经济建模、碳通量预测和径流模拟等领域达到或超过各领域专用方法。