Фундаментальная модель для временных рядов и как ее (не) обучать на синтетике

Доклады Российской академии наук. Математика, информатика, процессы управления (ранее - Доклады Академии Наук. Математика). 2025. Т. 527. № S. С. 485–494.

Темирханов А. А., Костромина А. М., Цымбой О. А., Кувшинова К. А., Ковтун Е. Ю., Симаков Д. Е.

В индустрии нередко возникает необходимость одновременно строить прогнозы по большим наборам временных рядов. Однако мы можем оказаться в ситуации, когда обучение отдельной модели для каждого из них невозможно или слишком затратно. Эта проблема в моделировании временных рядов остается без должного внимания. Средством ее решения может служить создание фундаментальной модели (foundation model), рассчитанной на прогнозирование в режимах zero-shot и few-shot. В данной работе мы рассматриваем ключевой вопрос: целесообразно ли обучать такую фундаментальную модель на синтетических данных или лучше использовать лишь ограниченное число реальных примеров. Наши эксперименты проведены только для регулярных временных рядов и свидетельствуют в пользу использования исключительно реальных рядов. Более того, выбор исходного набора данных существенно влияет на качество на этапе инференса. Если даже имеется доступ лишь к ограниченному количеству коротких временных рядов, их использование в рамках контролируемого обучения дает лучшие результаты, чем обучение на большем объеме синтетических данных.

Ключевые слова: time series forecasting, Transfer Learning, трансферное обучение, Synthetic data, foundation models, zero-shot, few-shot, Fourier seasonality, trend modeling, Предсказание временнхы рядов, Фундаментальные модели, Синтетические данные, zero-shot, few-shot, сезонность фурье, моделирование тренда

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА: Повышение эффективности центров обработки данных и систем хранения данных методами искусственного интеллекта (2027)