时间序列基础模型的采样频率不变性：量化评估与关键发现

时间序列基础模型（TSFMs）正被越来越多地用于传感器应用，而传感器、设备和运行模式（如省电模式）的采样频率（SF）往往各不相同。理想情况下，只要采样频率仍保留任务关键带宽，TSFM 在此类 SF 变化下就应保持有效。然而，这一假设是否成立？一项新研究对 4 个主流 TSFM 进行了压力测试，首次将 SF 不变性置于评估核心，并提出了三个量化指标。

为什么采样频率不变性至关重要

传感器数据天然具有多采样率特性：不同设备、不同功耗模式下的采样频率可能差异显著。部署 TSFM 时，如果模型对 SF 变化敏感，那么在实际场景中（例如设备切换到省电模式后降低采样率），预测或下游任务性能可能急剧下降。

传统评估通常关注模型在固定采样率下的表现，却很少系统考察模型对 SF 变化的鲁棒性。这项研究填补了这一空白，将 SF 不变性定义为可测量的信号感知属性，而非模型固有的静态特性。

时间序列基础模型（TSFM） 是指在大规模、跨领域时间序列数据上预训练的模型，能够以零样本或少样本方式迁移到预测、分类、异常检测等下游任务。与为单一任务训练的专用模型不同，TSFM 试图学习通用的时间序列表示，因此其输入通常需要统一到固定长度或固定采样间隔。常见代表包括基于掩码重建的 MOMENT、基于语言模型架构的 Chronos、采用混合专家结构的 Moirai-MoE，以及基于解码器架构的 TimesFM。理解这些模型的预训练数据分布与输入假设，是判断其采样频率鲁棒性的前提：若预训练语料以某一采样频率为主，模型可能隐式地依赖该频率下的时序模式。

压力测试设计与三个新指标

研究选取了 4 个 prominent TSFM：MOMENT、Chronos-2、Moirai-MoE 和 TimesFM。压力测试从三个维度展开：

• 嵌入偏移：当 SF 改变时，模型内部表示的变化程度，用 FSI（Frequency Shift Invariance）量化。
• 预测性能退化：模型在预测任务上的性能下降，用 FDI（Forecast Degradation Index）量化。
• 下游任务性能退化：模型在具体下游应用中的表现下降，用 CDI（Cognitive Degradation Index）量化。

这三个指标共同刻画了模型在不同 SF 下的行为，并帮助区分性能下降是源于信息带宽损失，还是模型能力本身的局限。

采样频率（SF） 指单位时间内对连续信号采样的次数，通常以赫兹（Hz）或“每分钟采样点数”表示。根据奈奎斯特采样定理，要无失真地重建带宽为 B 的信号，采样频率至少需达到 2B。在传感器场景中，降低采样频率会直接削减可保留的信号带宽：当新的采样频率仍高于任务关键带宽的两倍时，信息损失通常可忽略；一旦接近或低于该阈值，高频成分被混叠或丢失，任何模型都无法恢复。因此，讨论 TSFM 的 SF 不变性时，必须区分“信息层面不可逆的带宽损失”与“模型层面未能适应新频率”这两种退化来源。

嵌入偏移 衡量的是模型内部表示随输入采样频率变化而发生的漂移。具体而言，对同一段信号按不同频率重采样后输入模型，提取其编码器输出（嵌入向量），再计算嵌入之间的距离或方向变化。嵌入偏移越小，说明模型对频率变化越不敏感，其内部特征越稳定。这一维度与预测性能互补：模型可能预测误差不大，但嵌入已显著漂移，暗示其在分布外输入上的脆弱性。

核心发现：不变性取决于信号与任务的带宽余量

研究结果表明，SF 不变性并非模型的固定属性，而是取决于信号原生 SF 与任务所需带宽之间的余量。当原生 SF 远高于任务所需带宽时，降低 SF 可能不会显著影响性能；但当余量很小时，即使轻微的 SF 下降也可能导致明显退化。

此外，不同 TSFM 的选择能解释一部分不变性差异，但性能退化中很大比例反映了信息损失，而非模型能力不足。这意味着， practitioners 在部署 TSFM 时，需要结合信号特性和任务需求来评估 SF 不变性，而不能仅依赖模型在标准基准上的表现。

任务关键带宽 是指完成特定下游任务所必需保留的信号频率范围。例如，人体活动识别可能只需 0–5 Hz 的带宽，而机械振动故障诊断可能需要数百赫兹。带宽余量即信号原生采样频率与任务关键带宽上限之间的差距。余量越大，降低采样频率时任务相关信息越不易受损，模型表现越稳定；余量越小，任何降采样都可能直接切掉任务所需的高频成分。这一概念将 SF 不变性从模型固有属性转变为由信号、任务和模型三者共同决定的系统属性，也解释了为何同一模型在不同数据集上会表现出截然不同的频率鲁棒性。

对实践者的启示

这项研究将 SF 不变性重新定义为（信号 × TSFM）配对的可测量属性，为传感器应用中的模型选型和部署提供了新视角。实践者应关注：

1. 任务关键带宽与信号原生 SF 的余量，这是决定 SF 不变性的关键因素。
2. 不同 TSFM 在 SF 变化下的退化模式，选择与信号特性匹配的模型。
3. 在评估中引入 FSI、FDI、CDI 等指标，全面量化模型对 SF 变化的鲁棒性。

随着 TSFM 在物联网、可穿戴设备等领域的普及，采样频率不变性将成为模型评估中不可或缺的一环。这项研究为后续工作奠定了方法论基础，也提醒开发者在实际部署中重视信号采样条件的变化。