#probabilistic forecasting

3 篇

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（4 点）

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。

Other | 2026-10-30 | cs.AI | score 7/10

TinyCast：通过计算周期实现概率零样本预测

🧭 零样本时序预测 · 轻量概率模型

RA WS Labs

146K参数零样本概率预测器，用频谱计算周期并做相位折叠，定义尺寸-精度前沿

📌 工作参考价值（4 点）

电商/供应链的时序预测（销量、流量、广告消耗）可借鉴“先算周期再折叠相位”：用频谱检测主周期，将序列按周期相位折叠，能大幅降低模型要学习的周期性，适合轻量模型。
要在端侧或广告平台 RTB 场景部署预测器，可参考其只含卷积+矩阵乘法的设计：能导出 static INT8 并端到端运行，无需逐信号拟合。
分位数解码器输出预测分布而非点估计，适合库存安全水位、预算控制、告警阈值等需要 uncertainty 的业务决策；比仅有点预测的小模型更可控。
“block-autoregressive”生成未来一段再自回归，可迁移到多步需求预测/预算分配，减少长程误差累积，同时保持小参数。

Other | 2026-08-15 | HF Daily | score 6/10

防御性 Boosting：在线概率预测的双重保证算法

🧭 在线 boosting 概率预测与校准

Defensive Booster 同时获得在线梯度 boosting 的 Brier 竞争保证与弱学习条件下的分类误差收敛保证

📌 工作参考价值（4 点）

在线广告 CTR/CVR 预测中可将其作为轻量在线集成/校准层：只维护一个弱学习器（如 FTRL 逻辑回归或浅层 MLP）做增量更新，不保存大型集成，同时获得与 span 最优线性组合竞争 Brier 的保证，适合高 QPS、低延迟场景。
在非平稳或可能被策略对抗影响的流量中，利用其 dual view：若预测误差持续升高，mistake weights 会形成弱学习条件失败的 hard-core 证书，可作为线上监控信号，触发模型重训、特征回补或人工排查。
强自适应变体可在任意时间区间提供局部保证，适合电商大促、突发流量等剧烈分布偏移时对近期区间单独做校准，不用等待全局历史数据积累。
若目标是“任意数据下不崩”和“有利条件下快速收敛”，可直接借鉴其目标设计：把 Brier 竞争和弱学习条件两个目标纳入同一在线更新，而不是单独使用在线梯度 boosting 或在线分类 boosting。

Training | 2026-08-13 | cs.LG | score 6/10