面向时间序列预测的上下文内补全
In-Context Inpainting for Time Series Forecasting
查看机构详情
- Deakin University（迪肯大学）
- Applied Artificial Intelligence Initiative（应用人工智能计划）
机构由 AI 辅助整理，请以论文原文为准。
浏览论文内容
中文总结 AI 辅助
研究人员提出ICI-Time框架，将时间序列预测转为视觉补全任务，利用大型视觉模型，在多领域实验中表现出竞争力与数据有限时的良好适应性，搭建了时间与视觉域的新范式。
中文摘要 AI 辅助
我们提出ICI-Time，这是一种新颖的框架，它将时间序列预测重新定义为视觉补全任务，利用大型视觉模型（LVM）的泛化能力。与需要专用时间架构和大量特定领域训练的方法不同，ICI-Time将时间序列转换为结构化视觉表示（面积图），并应用视觉上下文内学习，将预测重新定义为网格结构提示内的模式补全，预训练的视觉变换器无需微调或修改架构即可解决该任务。时间依赖关系通过空间布局表示，在数值域和视觉域之间存在一致且可逆的映射。在流行病学、气象学和电力系统领域进行的大量实验表明，ICI-Time的性能与深度学习基线相比具有竞争力，并且在数据有限的设置下表现出良好的适应性，引入了一种连接时间域和视觉域的新范式。
英文摘要
We propose ICI-Time, a novel framework that reframes time series forecasting as a visual inpainting task, leveraging the generalisation power of large vision models (LVMs). Unlike methods that require specialised temporal architectures and extensive domain-specific training, ICI-Time transforms time series into structured visual representations (area charts) and applies visual in-context learning, reformulating forecasting as pattern completion within a grid-structured prompt that pre-trained vision transformers can solve without fine-tuning or architectural modification. Temporal dependencies are represented through spatial layout, with a consistent, invertible mapping between numerical and visual domains. Extensive experiments across epidemiology, meteorology, and power systems demonstrate that ICI-Time performs competitively against deep learning baselines and shows promising adaptability under limited-data settings, introducing a new paradigm that bridges temporal and visual domains.
