亞馬遜發布了新版的時間序列大模型Chronos，用來進行時間序列概率預測的統一框架。這個模型的核心點是通過細致的數據處理，完全將時間序列數據轉換成token，再結合NLP中的T5等模型結構，以交叉熵為目標，訓練時間序列模型，在多個數據集上取得了SOTA效果。下面給大家詳細介紹Chronos的實現原理。

論文標題：Chronos: Learning the Language of Time Series

下載地址：??https://arxiv.org/pdf/2403.07815v1.pdf??

1.時間序列Tokenize

這一步需要將時間序列轉換成離散化的token，方便后續類似于語言模型的建模。主要分為Scaling和Quantization兩個步驟。

Scaling：對時間序列值進行縮放，本文使用的方法是用歷史窗口的時間序列均值作為分母，標準化整個時間序列，這種做法也是亞馬遜的時間序列相關論文中常用的一種處理方法；

Quantization：將scaling后的時間序列數據離散化，做法也很簡單，定義一些分桶邊界值，落入各個分桶的就被離散化成相應的桶號。

此外，文中還引入了兩種特殊符號，<PAD>用來進行時間序列的填充，<EOS>用來加到整個序列末尾，標識時間序列的結束。

2.優化目標

Chronos的優化目標也和傳統的時間序列預測模型不同，傳統的時間序列模型一般采用MSE這種回歸loss進行優化，而Chronos直接使用和語言模型相同的優化目標交叉熵進行優化，將回歸問題轉換成了分類問題，預測目標也變成了根據前序的token，預測下一個token為各個結果的概率。

最終的預測結果，根據預測的桶號ID，反離散化成對應的值，再進行反scale，得到最終預測結果。

3.數據增強

數據增強是Chronos中的核心一環，用來提升模型效果。主要采用了TSMix和KernelSynth兩種數據增強方法。

TSMix：借鑒了CV中的Mixup方法，對多個時間序列按權重做差值，生成新的時間序列；

KernelSynth：使用高斯過程直接生成人造時間序列。

4.實驗效果

下圖為Chronos和其他SOTA時間序列預測方法的效果對比，從圖中可以看出，使用T5作為base，且模型尺寸為Large的模型取得了最優的效果。從圖中可以看出，模型的尺寸對于最終效果的影響比較大，越大的Chronos效果越好。

本文轉載自 ??圓圓的算法筆記??，作者： Fareise