时间序列基础模型
在大规模时间序列数据上预训练的基础模型，能够进行零样本或少样本时间序列预测，可用于电价、气象等多种时序预测任务
时间轴 (近 90 天)
当前主流TSFM多基于Transformer架构，依赖注意力机制和patch tokenizer。
时间序列基础模型（TSFM）的主要挑战包括：时间序列长度可变、采样频率不一、缺乏统一的预训练语料，以及如何设计无需重采样的编码器架构。
Timestral 的发布意味着该赛道已从早期探索进入多方竞争阶段，但各模型在预训练数据规模、架构选择和评测基准上尚未形成统一标准，横向对比仍较困难。
时间序列基础模型的竞争正在从「每个场景训一个专用模型」向「预训练基础模型 + 零样本迁移」转变。
大多数领先的时间序列基础模型只预测边际分位数，不对未来轨迹的依赖结构做任何假设。
现有时间序列基础模型大多建立在规则采样序列之上，默认时间步均匀分布，面对不规则时间间隔和异步跨变量依赖时泛化能力受限
时间序列基础模型（Time-Series Foundation Models）是经过大规模多领域时间序列数据预训练、具备跨任务泛化能力的通用预测模型，代表性工作包括TimesFM、Chronos、Moirai
全部知识事实 (7)
当前主流TSFM多基于Transformer架构，依赖注意力机制和patch tokenizer。
50%待验证时间序列基础模型（TSFM）的主要挑战包括：时间序列长度可变、采样频率不一、缺乏统一的预训练语料，以及如何设计无需重采样的编码器架构。
50%待验证Timestral 的发布意味着该赛道已从早期探索进入多方竞争阶段，但各模型在预训练数据规模、架构选择和评测基准上尚未形成统一标准，横向对比仍较困难。
50%待验证时间序列基础模型的竞争正在从「每个场景训一个专用模型」向「预训练基础模型 + 零样本迁移」转变。
50%待验证大多数领先的时间序列基础模型只预测边际分位数，不对未来轨迹的依赖结构做任何假设。
50%待验证现有时间序列基础模型大多建立在规则采样序列之上，默认时间步均匀分布，面对不规则时间间隔和异步跨变量依赖时泛化能力受限
50%待验证时间序列基础模型（Time-Series Foundation Models）是经过大规模多领域时间序列数据预训练、具备跨任务泛化能力的通用预测模型，代表性工作包括TimesFM、Chronos、Moirai
50%