【IoTDB 社区】白话时序大模型系列-6：为什么只有预测是开箱即用的？

时序预测、时序分类、时序填补……时序分析任务其实挺多的，各有各的名字，各有各的场景。

但是，你有没有发现一个现象？

市面上叫得上名字的时序大模型，TimesFM、Chronos、Timer，清一色全是做时序预测的。大家说的"开箱即用"、"零样本"、"预训练直接推理"，也都是指时序预测。

为什么分类和填补，大家提得少？今天聊聊这个话题。

时序分析，到底有哪些任务？

我们先说说时序分析有哪些工种：

① 时序预测：看过去，算未来。最经典的"算命"任务。典型场景是发电功率预测、天气预报、电价预测等。它像个天气预报员，看到前面几天的温度曲线，猜明天是升还是降。

② 时序分类：把整个序列归个类。比如心电图数据，你得判断这是不是心律失常；摄像头捕捉的动作序列，你得判断这是在走路还是跌倒。数据是一整段序列，输出是一个类别标签。

③ 时序填补：数据采集的时候，传感器偶尔罢工，中间缺了一段。你得把它补上。就像一个失忆的记日记的人，中间漏了几天的记录，你帮他"脑补"回来。

为什么时序大模型，几乎都在做预测？

答案很直接：因为预测的训练数据集，不用打标。

公开可用的时序数据集，绝大多数都不带标签。想要一份带精确类别标签的时序分类数据集，那可得费老鼻子劲——得找专家手工标注，标注成本高得离谱，数据集规模还小得可怜。

而时序预测呢？数据自然排在那里，它的"未来值"天生就是它的标签。你只需要把前一段当作历史序列（输入），后一段当作未来值（目标标签），直接就能喂给模型训练。零标注成本。

这和大语言模型是一个逻辑，让模型看前边一段话，猜后边一段话，每一篇文章都是学习的可用数据，不需要一个一个打标注，天然解决了模型训练数据不够的问题。正因为有了大量的训练数据，才能诞生这些大模型。

"预测"和"填补"，为什么是亲兄弟？

时序填补跟预测本质上都在做一件事：看到已知部分，猜未知部分。区别是，预测是看左边猜右边，填补是看两边猜中间。输出格式也是一致的，都是数值型序列，语义上不存在跨维度的信息鸿沟。

可以把这俩任务统称为"缺失值预测"——缺失的可能是未来的时间点，也可能是中间的空白段。一个专门为预测设计的模型，稍微改改输入格式，也能干填补的活，学术界已经有多个研究证明了这一点。预测模型本身天然就具备填补能力。

"分类"为什么吃了哑巴亏？

分类的输入是一段序列，输出是一个高维的类别分布。这种"跨模态"映射，使得分类无法像预测一样进行自监督学习（比如：直接给模型一篇文章，让它自己出题自己学）。

分类需要人来出题，把问题和答案设计好。这就导致缺少数据。

想把时序分类做成"通用基础模型"，最后大概率只能得到一个"一事一议"的微调框架。不是不能做，是做出来的投入产出比不太划算。

小结一下

• 预测：天然自监督，零标注成本；低维进低维出，预训练稳定，是主流时序大模型方向。

• 填补：跟预测是一家人，顺手也可以做。

• 分类：输入输出跨模态，标签贵，数据量小；边际收益低，目前只能一事一议微调。

目前的时序大模型主要把资源集中在预测这个赛道上。不是说分类不好，而是顺着数据规模走，是目前技术最理性的选择。

如果哪天有机构花大力气搞一套超大规模的带标签时序数据集，再配上全新的训练框架，也许就能出现真正的"开箱即用时序分类大模型"。这个方向，我也很期待。如果真有了，咱们再来聊。

白话时序大模型往期系列：

• 白话时序大模型系列-1：什么是时序大模型
• 白话时序大模型系列-2：机理为王，数据为辅，时序大模型正确入局时机
• 白话时序大模型系列-3：一个函数，三个场景，看透本质
• 白话时序大模型系列-4：时序大模型到底有多“大”？
• 白话时序大模型系列-5：和时序基础模型是什么关系？