时间序列基础模型：预测未来的魔法？
探索如何用人工智能理解和预测随时间变化的数据
重医附属儿童医院：黄国宇&徐铣明+天工AI
第一章：时间的故事 - 什么是时间序列？
想象一下，你每天记录自己的身高，或者记录每天的最高气温。这些按照时间顺序排列的数据，就是时间序列！
定义： 时间序列就是按时间顺序排列的一系列数据点。
生活中的例子：
- 你的身高变化记录
- 每天的天气温度
- 学校食堂每天的用餐人数
- 你玩游戏每天的得分
- 股票市场每日的价格波动
关键特点： 数据点是有顺序的，后面的数据往往和前面的数据有关联。时间是单向流动的，我们只能根据过去和现在预测未来，不能改变过去。
时间序列长什么样？
第二章：为什么关心时间？ - 时间序列分析有什么用？
研究时间序列，就像是想从过去的故事里，找到未来的线索。
主要目的：
- 描述过去： 看看数据过去是怎么变化的，有什么规律？（比如，气温是不是每年夏天都高？）
- 分析规律： 找出数据变化的模式，比如：
- 趋势（一直在涨或跌）
- 季节性（周期性重复）
- 周期性（不规律的波动）
- 突发事件的影响
- 预测未来： 根据过去的规律，猜猜未来会发生什么？（比如，明天的气温大概是多少？下个月的销售额会怎样？）
- 异常检测： 发现不寻常的情况。（比如，某个时间点的数据突然和之前的规律差很多，是不是有问题？）
中学生理解方式：
- 预测你的考试成绩趋势
- 预测下周零花钱够不够用
- 预测流行歌曲的受欢迎程度
- 发现异常：为什么今天的食堂用餐人数突然暴增？
第三章：让机器变聪明 - 认识人工智能和深度学习
机器怎么才能像我们一样，从数据里学习规律呢？这就是人工智能（AI）和机器学习（ML）要做的事情。
人工智能 (AI)： 让机器表现出智能，比如思考、学习、解决问题。
机器学习 (ML)： 是AI的一种方法，让机器通过"看"大量数据来学习，而不是靠人编写死板的规则。
深度学习 (DL)： 是机器学习里一种特别厉害的技术，它模仿人脑神经网络的结构，构建很多层"神经元"来处理信息。
深度学习是怎么"学"的？
简单来说，深度学习模型通过不断调整内部的参数（就像调整收音机的旋钮），让它的预测结果和真实结果之间的"错误"越来越小。这个调整错误的过程，有点像我们在做数学题时，根据答案检查自己的步骤，然后修改错误。
第四章：用深度学习预测时间 - 优势与挑战
深度学习模型因为能学习复杂的模式，所以也被用来预测时间序列。
如何应用： 它们可以学习时间序列数据中隐藏的复杂规律，比如长期的依赖关系、多个时间序列之间的相互影响等。
常见的深度学习模型：
- 循环神经网络 (RNN)： 有"记忆"能力，可以记住前面看到的数据。
- 长短期记忆网络 (LSTM)： RNN的升级版，能更好地记住长时间之前的信息。
- 卷积神经网络 (CNN)： 最初用于图像识别，但也可以用来捕捉时间序列中的局部特征。
- Transformer模型： 最新的架构，能够更好地处理长序列，捕捉远距离的关系。
优势：
- 能处理非常复杂、非线性的时间模式。
- 在有大量数据的情况下，表现可能优于传统方法。
- 可以构建"全局模型"，同时学习多个相似时间序列的规律，互相借鉴。
挑战：
- 需要大量数据： 训练一个好的深度学习模型通常需要非常多的历史数据。
- 泛化能力： 如果在一个类型的时间序列上训练的模型，用在完全不同类型的时间序列上，可能表现不好。
- 计算资源： 训练深度学习模型需要强大的计算机和较长时间。
第五章：AI世界的"万能工具" - 什么是基础模型？
最近几年，AI领域出现了一种新的趋势：训练"基础模型"（Foundation Models）。
定义： 基础模型是在海量、多样化的数据上进行预训练的超大型模型。它们学习到了很多通用的知识和能力。
关键特点：
- 规模大： 模型参数非常多（相当于大脑中的"神经元连接"越多）。
- 数据多： 在海量数据上训练（相当于"阅读"了大量的书和资料）。
- 通用性强： 学习到很多通用模式（相当于掌握了各个领域的基础知识）。
- 可迁移/适应： 经过预训练后，可以很容易地通过少量数据或调整，适应各种不同的任务（就像一个有广泛知识的人可以快速上手新工作）。
第六章：时间序列的"万能预测家" - 时间序列基础模型 (TSFM)
把"基础模型"的思想应用到时间序列领域，就诞生了时间序列基础模型（Time Series Foundation Model，TSFM）。
定义： TSFM 是在海量、多样化的时间序列数据上进行预训练的模型。它们学习理解各种时间序列数据的通用模式和结构。
TSFM 的特点：
- 利用海量的、多样化的时间序列数据进行训练
- 学习到时间序列数据中普遍存在的模式、趋势、季节性以及它们之间的复杂关系
- 预训练后，能够对未见过的时间序列进行预测，且不需要大量额外训练（零样本或少样本预测）
TSFM 的目标： 利用基础模型的强大能力，开发能够熟练理解和预测跨不同领域的时间序列数据的通用模型。
第八章：认识一些TSFM"明星"及其应用
科学家们已经开发出了一些厉害的TSFM模型：
- TimesFM (Google): 谷歌开源的模型，擅长单变量时间序列预测。
- MOIRAI (Salesforce): Salesforce开源，通用性强，支持多变量预测和零样本预测。
- Chronos (Amazon): 亚马逊开源，通过将时间序列数据"标记化"后用类似语言模型的方法训练。
- Timer (清华大学): 中国团队开发的开源原生时序大模型，在泛化性、预测表现等方面表现优秀。
TSFM的应用领域：
- 天气预测： 更准确的短期和长期天气预报
- 金融市场： 股票价格、交易量等预测
- 电力需求： 预测城市或区域的用电量，帮助电网调度
- 交通管理： 预测交通流量，减少拥堵
- 医疗健康： 分析生命体征数据，预测潜在健康问题
- 零售销售： 预测商品需求，优化库存管理
第九章：TSFM 的未来展望
TSFM 是一个非常新的领域，但潜力巨大！
- 未来可能会出现更强大、更通用的TSFM模型。
- 它们将在更多领域发挥作用，比如更准确的天气预报、更智能的城市交通管理、更精准的疾病预测等。
- 让时间序列分析变得更容易，即使数据量不大或类型新颖，也能快速获得不错的预测结果。
- 与传统深度学习模型结合，充分发挥各自优势。
- 与其他类型的人工智能模型（如大语言模型）结合，创造出更强大的混合模型。
随着计算能力的提升和算法的革新，TSFM可能会帮助我们解决更多复杂的时间序列预测问题，让我们更好地理解和预测这个充满变化的世界！
