论文标题：MOMENT: A Family of Open Time-series Foundation Models
论文链接：https://arxiv.org/pdf/2402.03885
前言
当前时间序列数据上预训练大型模型面临以下挑战：(1) 缺乏大型且统一的公共时间序列数据集，(2) 时间序列特征的多样性使得多数据集训练十分繁重。(3) 用于评估这些模型的实验基准仍处于起步阶段，尤其是在资源、时间和监督有限的情况下。
本文提出MOMENT，一个用于通用时间序列分析的开源基础模型家族。该模型家族中的模型：(1)处理多样化时间序列分析任务（如预测、分类、异常检测和插补等）的基础模块，(2) 可以即插即用，无需或仅需少量特定任务示例（实现零样本预测、少样本分类等），(3) 通过使用任务相关的数据进行微调，可以进一步提高性能。
本文贡献
- 数据集构建开源：编制了一个名为“The Time series Pile”的大型公共时间序列数据集合，涵盖了从医疗保健到工程、金融等多个领域的数据。The Time Series Pile 包含了来自多个不同领域的5个以上的公共时间序列数据库，用于预训练和评估模型，解决缺乏大型且统一的公共时间序列数据集问题。
- 多数据集预训练：进行大规模混合数据集预训练，探索时间序列在分辨率、通道数量、长度和振幅等方面有所不同、存在缺失值等问题的处理和解决。
- 评估：对于五种时间序列建模任务：短期和长期预测、分类、异常检测和插补，将MOMENT与（1）最先进的深度学习模型以及统计基线进行比较，（2）使用更具任务针对性的数据集，（3）采用多种评估指标，（4）专门在有限监督设置下进行评估。
本文模型
数据集：时间序列数据集Pile的数据划分。 为了避免数据污染，作者将所有数据集划分为互不重叠的训练集、验证集和测试集，并遵循每个数据集创建者提供的预定义划分方案。如果某些数据集没有预定义的划分方案，会随机抽取60%的数据用于训练，10%用于验证，30%用于测试。在预训练过程中，只使用所有数据集的训练部分。
MOMENT模型： 在MOMENT模型中，时间序列被分解为不重叠的固定长度子序列，称为补丁（patch）。每个补丁被映射为一个D维度的补丁嵌入。在预训练过程中，会随机掩盖这些补丁，将其补丁嵌入替换为一个特殊的掩码嵌入 [MASK]。预训练的目标是学习这些补丁嵌入，以便使用轻量级的重建头来重构输入的时间序列。
模型评估：除了对比分析之外，作者还进行了大量的可视化分析，更多具体细节可看原文。下图显示了对合成生成的正弦波嵌入进行主成分分析（PCA）后的结果，表明MOMENT可以捕捉到微妙的趋势、尺度、频率和相位信息。
下图是MOMENT学习的表示在3个最大的UCR数据集上的PCA和t-SNE可视化结果。 不同的颜色代表不同的类别。即使在没有针对特定数据集进行微调的情况下，MOMENT也能为不同的类别学习到明显不同的表示。
结论
本文提出一个时间序列基础模型MOMENT，构造了（Time Series Pile）大型多样化公共时间序列数据集，并通过从头开始预训练高性能时间序列基础模型，证明了其有效性。然后，还对模型结果进行了大量的可视化分析。
