時序數據庫在支持時序特性寫入、存儲、查詢等功能后，正朝著深度分析方向發展。自動化異常監測與智能化趨勢預測，成為時序數據管理的核心需求。
時序數據庫 IoTDB 團隊不斷探索，自研推出了面向時間序列的大模型 Timer 和擴展版 Timer-XL，性能取得多項突破并在國際機器學習頂級會議發表成果，為時序分析預測提供了更高效的解決方案。
01 Timer 模型
深度時序分析通用基礎模型 Timer 和時序數據庫 IoTDB 一樣，發源于清華大學軟件學院，具備可觀的分析能力和對真實世界數據的理解能力。通過顯著的少樣本能力和多任務適配能力，Timer 模型能夠處理多樣化的下游任務，為多類實際應用場景提供通用解決方案。
Timer 模型擁有以下特點：
泛化性：模型能夠通過使用少量樣本進行微調，達到行業內領先的深度模型預測效果。
通用性：模型設計靈活，能夠適配多種不同的任務需求，并且支持變化的輸入和輸出長度，使其在各種應用場景中都能發揮作用。
可擴展性：隨著模型參數數量的增加或預訓練數據規模的擴大，模型的性能會持續提升，確保模型能夠隨著時間和數據量的增長而不斷優化其預測效果。
02 Timer-XL 模型
作為 Timer 模型的擴展版本，Timer-XL 模型在繼承其優秀特性的基礎上，實現了三大核心突破：
擴展上下文輸入：該模型突破了傳統時序預測模型的限制，支持處理數千個 Token（相當于數萬個時間點）的輸入，有效解決了上下文長度的瓶頸問題。
多變量預測場景覆蓋：支持多種預測場景，包括非平穩時間序列的預測、涉及多個變量的預測任務以及包含協變量的預測，滿足多樣化的業務需求。
大規模工業時序數據集訓練：采用萬億大規模工業物聯網領域的時序數據集進行預訓練，數據集兼有龐大的體量、卓越的質量和豐富的領域等重要特質，覆蓋能源、航空航天、鋼鐵、交通等多領域。
03 模型使用場景
目前，Timer 模型已經內置在時序數據庫 IoTDB 的智能分析節點 AINode 中，用戶能夠非常方便地進行調用。得益于 Timer 模型的優異性能，時序數據庫 IoTDB 可以有效地為異常檢測、數據填補、時序預測等工業場景提供解決方案。
(1) 異常檢測
利用時序大模型精準識別與正常趨勢偏離過大的異常值，可支持靜態閾值告警和動態閾值告警，實現告警自動化。
下圖藍色曲線代表預測告警數據，紅色曲線為實際數據趨勢，可見預測告警結果準確性較高。
(2) 數據填補
調用時序大模型進行預測，在缺失值可能發生之前，使用預測值對缺失數據進行補全，實現補全算法智能化，不局限于線性插值補全。
下圖藍色曲線代表預測填補數據，紅色曲線為實際數據趨勢，兩曲線反映趨勢高度吻合。
(3) 時序預測
利用時序大模型的預測能力，可原生支持多變量預測，能夠準確預測時間序列的未來變化趨勢，相比單變量預測實現更優的預測準確性。
下圖藍色曲線代表預測趨勢，紅色曲線為實際趨勢，兩曲線高度吻合。
04 模型效果驗證
多類大模型的預測結果對比中，Timer-XL 模型在零樣本預測、單變量預測、多變量預測、協變量預測場景，結果準確性都優于其他大模型，并具有更強的泛化性能，可以在訓練集之外的數據集保持高可靠性。
多變量預測方面，Timer-XL 模型預測效果達到了 SOTA 水平（State-of-the-Art，在該領域當前達到的最佳性能水平）。協變量預測方面，Timer-XL 的表現優于 SOTA 水平的專門化模型。
上述成果代表 Timer-XL 模型能夠熟練地在大量數據中自適應地選擇信息，從而實現卓越的預測性能，充分證明了 Timer-XL 模型在時序預測領域的領先地位與強大實力。
來源：ICLR 2025 論文《Timer-XL: Long-Context Transformers For Unified Time Series Forecasting》
未來，IoTDB 團隊將持續優化時序大模型架構及功能，拓展其在工業多領域、多場景應用，推動時序數據分析進入智能決策新階段。
更多內容推薦：
? 下載時序數據庫 IoTDB 開源版
? 了解如何使用 時序數據庫 IoTDB AI 能力
