热点事件持续更新
协变量不确定性下负荷预测基准评测
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月7日，一项发表于arXiv Machine Learning Theory的研究发布“协变量不确定性下负荷预测时间序列基础模型基准评测”。该研究在三个真实负荷预测数据集上，对四款从零训练模型与四款时间序列基础模型（TSFM）开展基准评测，比较未来协变量可用性与质量不同的运行场景。结果显示，Chronos-2在协变量可用或预测准确时，于zero-shot与微调设置下均达SOTA；但当协变量噪声增大时性能下降，TimesNet在严重协变量不确定性下表现更稳健。
AI 根据报道生成 · 2 小时前更新
最新进展10月7日 12:00
新研究显示Chronos-2在协变量可靠时达SOTA，噪声增大时TimesNet更稳健。报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv · Machine Learning Theory协变量不确定性下负荷预测时间序列基础模型基准评测
该研究在三个真实负荷预测数据集上，对四款从零训练模型与四款时间序列基础模型（TSFM）开展基准评测，比较未来协变量可用性与质量不同的运行场景。结果显示，Chronos-2 在协变量可用或预测准确时于 zero-shot 与微调设置下均达 SOTA，但协变量噪声增大时性能下降，TimesNet 在严重协变量不确定性下更稳健。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。