論文の概要: Chronos-2: A foundation model for multivariate time series forecasting

• arxiv url: http://arxiv.org/abs/2610.41956v1
• Date: Fri, 30 Oct 2026 16:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.804337
• Title: Chronos-2: A foundation model for multivariate time series forecasting
• Title（参考訳）: Chronos-2:多変量時系列予測の基礎モデル
• Abstract要約: Chronos-2はゼロショット予測の基礎モデルである。 時系列間の関係を直接歴史的文脈から推測する。 タスク固有の処理なしで確率予測を生成する。
• 参考スコア（独自算出の注目度）: 52.49981976734815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting with uncertainty quantification is critical in a variety of scientific applications ranging from epidemiology and economics to energy systems and earth sciences. Yet most forecasting models still need to be developed and trained separately for each domain-specific dataset. Time series foundation models (TSFMs) aim to remove this limitation and enable the application of the same model across domains through large-scale pretraining. However, most existing TSFMs treat each time series independently and therefore cannot model interactions among time series and external drivers. Here, we introduce Chronos-2, a foundation model for zero-shot forecasting that models the interactions between multivariate time series and heterogeneous covariates, which commonly arise in scientific applications. The model infers relationships among time series directly from historical context and generates probabilistic forecasts without task-specific treatment. Across various benchmarks, Chronos-2 achieves state-of-the-art accuracy on average by improving skill scores by 5.2 percentage points relative to the strongest baselines and increasing win rates by 10 percentage points. Chronos-2 is also computationally efficient, generating forecasts for 100 time series in under one second on a single mid-range GPU, 50x and 1000x faster end-to-end than the best task-specific point and probabilistic forecasters, respectively. In addition, we demonstrate its effectiveness in diverse scientific settings -- including infectious-disease forecasting, macroeconomic modeling, carbon-flux prediction, and runoff simulation -- where the model matches or surpasses specialized methods developed for each domain. These results show that a single pretrained model can capture structure shared across temporal systems.
• Abstract（参考訳）: 不確実な定量化を伴う正確な予測は、疫学や経済学からエネルギーシステム、地球科学まで、様々な科学的応用において重要である。 しかし、ほとんどの予測モデルは、ドメイン固有のデータセットごとに別々に開発、訓練する必要がある。 時系列基礎モデル(TSFM)は、この制限を取り除き、大規模な事前学習を通じてドメイン間で同じモデルを適用できるようにすることを目的としている。 しかしながら、ほとんどの既存のTSFMは各時系列を独立に扱うため、時系列と外部ドライバ間の相互作用をモデル化することはできない。 ここでは,多変量時系列と異種共変量との相互作用をモデル化するゼロショット予測の基礎モデルであるChronos-2を紹介する。 このモデルは時系列間の関係を直接歴史的文脈から推定し,タスク固有の処理を伴わずに確率的予測を生成する。 様々なベンチマークにおいて、クロノス2は、最強のベースラインに対するスキルスコアを5.2ポイント改善し、勝利率を10ポイント向上することで、平均して最先端の精度を達成する。 Chronos-2は計算効率も優れており、1つの中距離GPUで100の時系列の予測を1秒以下で生成する。 さらに, 感染症の予測, マクロ経済モデル, カーボンフラックスの予測, 流出シミュレーションなど, 様々な科学的状況において有効性を示す。 これらの結果は,1つの事前学習モデルが時間的システム間で共有される構造をキャプチャできることを示している。

関連論文リスト

• Chronos-2: From Univariate to Universal Forecasting [52.753731922908905]
  Chronos-2は、一変量、多変量、共変量による予測タスクをゼロショットで処理できる事前訓練されたモデルである。 fev-bench、GIFT-Eval、Chronos Benchmark IIの3つの総合ベンチマークで最先端のパフォーマンスを提供する。 Chronos-2のコンテキスト内学習能力は、現実世界の予測パイプラインで"as is"として使用できる汎用予測モデルとして確立されている。
  論文  参考訳（メタデータ） (2025-10-17T17:00:53Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Chronos: Learning the Language of Time Series [79.38691251254173]
  Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。 クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-03-12T16:53:54Z)
• A case study of spatiotemporal forecasting techniques for weather forecasting [4.347494885647007]
  実世界のプロセスの相関は時間的であり、それらによって生成されたデータは空間的および時間的進化の両方を示す。 時系列モデルが数値予測の代替となる。 本研究では,分解時間予測モデルにより計算コストを低減し,精度を向上することを示した。
  論文  参考訳（メタデータ） (2022-09-29T13:47:02Z)
• Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case Study of the COVID-19 Epidemic Curves [0.0]
  本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。 予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
  論文  参考訳（メタデータ） (2021-08-19T14:44:46Z)
• Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation [7.38079566297881]
  GFM(Global Forecasting Models)として知られる多くの時系列のセットでトレーニングされた予測モデルは、競争や実世界のアプリケーションを予測する上で有望な結果を示している。 本稿では,GFMモデルのベースライン精度を向上させるための,データ拡張に基づく新しい予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-06T13:52:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。