摘要

本文介绍了一种基于视觉智能的时间序列预测基础模型ViTime，该模型通过将时间序列数据转换为二值图像，利用视觉处理范式克服了传统数值时间序列数据拟合的局限性。ViTime采用了一种创新的数据合成方法RealTS，在训练过程中生成高质量的合成数据。实验证明，ViTime在多个未见过的预测数据集上实现了零样本学习（zero-shot learning）的先进性能，甚至在某些情况下超过了最佳的单独训练的监督模型。这些发现表明，视觉智能可以显著增强时间序列分析和预测，为该领域更先进和多功能的模型铺平了道路。

原理

ViTime模型的核心在于将时间序列数据转换为二值图像，并通过视觉智能处理这些图像以进行预测。首先，模型使用RealTS算法生成包含趋势和周期性特征的合成时间序列数据。然后，这些数值时间序列数据通过映射函数转换为二值图像，将时间序列的数值关系转换为图像的空间分布关系。ViTime模型在二值图像空间中操作，利用历史分布的二值图像来预测未来的趋势。最后，通过逆映射函数将预测的二值图像转换回数值时间序列数据。这种转换过程模拟了人脑处理时间序列数据的方式，从而提高了预测的准确性。

流程

1. 使用RealTS算法生成合成时间序列数据。
2. 将合成的时间序列数据通过映射函数转换为二值图像。
3. 将二值图像输入ViTime模型，模型包括视觉时间标记器（Visual Time Tokenizer）、解码器（Decoder）和精炼模块（Refining Module）。
4. 视觉时间标记器将二值图像分割成多个补丁，并加入位置编码，将这些补丁映射到特征空间。
5. 解码器将标记化的补丁解码回原始的二值像素度量空间，提供初始预测。
6. 精炼模块通过CNN和ASPP模块处理解码器的输出，生成最终的二值图像预测结果。
7. 通过逆映射函数将预测的二值图像转换回数值时间序列数据。

应用

ViTime模型在时间序列预测领域具有广泛的应用前景，特别是在需要高精度和零样本学习能力的场景中。例如，天气预报、股票市场分析、交通预测和医疗监测等领域都可以从ViTime模型中受益。此外，由于其基于视觉智能的处理方式，ViTime模型还可以扩展到其他需要复杂模式识别和趋势预测的应用中。