多变量时间序列预测基础模型
multivariate time series forecasting foundation model
一种一次性输入销售额、天气等多种随时间变化的数据、并计算它们相互影响后预测未来的AI模型
简单来说
多变量时间序列预测基础模型是一种AI模型，它一次性接收销售额、访客数、天气等多种随时间变化的数据，计算这些数据之间相互影响的关系，从而给出未来的预测值。
这就像天气预报员不会只看气温就预测明天的天气，而是会同时观察湿度、风力、季节性活动等因素。以冰淇淋店为例，只看历史销售记录的模型只能发现"每逢周末就卖得好"这样的星期规律；但如果把即将到来的促销计划也一并输入，模型就能提前算出"这个星期二有促销活动，所以会比平时卖得更多"这样的结果。
这里的"基础"（foundation）一词意味着这个模型不需要针对某一家零售店或某一个特定行业重新训练。因为它已经用广泛的数据预先训练过，所以可以直接应用于零售、金融、医疗等不同领域的时间序列预测，而无需做大幅修改。
在报道中是这样出现的
在报道中，常见的表达方式是"Google Research 发布了多变量时间序列预测基础模型 TimesFM-3"。一个容易产生的误解是，以为只要多输入几种相关数据，准确度就一定会提高。但实际情况是，只有加入像促销计划这类与销售额真正相关的信号才会有效果，随意添加数据并不会让预测变得更准确。