【IoTDB 社区】白话时序大模型系列-3：一个函数，三个场景，看透本质

前两篇文章，我们聊了“什么是时序大模型”以及它和“机理模型”的优先级。今天，我们来“祛魅”，把时序大模型到底怎么用的，用一个函数和三个场景讲明白。

时序大模型，本质就是一个函数，一个方法。

这个函数的核心作用很简单：预测时间序列的未来数值。

是函数，就有输入和输出。一旦你掌握了它吃什么、吐什么，它在你眼里就不再神秘。

时序大模型的输入是时间序列，输出也同样是时间序列。

下面，我们通过三个典型的场景，来具象化地看看这个“函数”到底是如何工作的。

场景一：单变量预测，最朴素的“以史鉴今”

这是最基础的场景，就像看着后视镜开车。

• 输入：一条时间序列的一段历史数值。

• 输出：这条时间序列的一段未来数值。

在这个场景中，我们只关注一条时间序列（即一个变量），叫目标变量。模型只从它自己的过去，学习它的规律，并预测它的未来。

一个典型的例子就是温度预测。比如，你根据一个房间过去24小时每小时的室内温度记录，来直接预测未来6小时的温度走势。这里没有任何其他信息，模型唯一能依靠的，就是温度序列本身的历史趋势、周期性和波动性。

场景二：多变量预测，引入相关因素的历史数据

现实世界更复杂。一个变量的走势，往往不止由自己的过去决定。

• 输入：多条时间序列的一段历史数值。

• 输出：一条时间序列（目标变量）的一段未来数值。

在这里，输入中除了目标变量本身的历史，还加入了其他相关变量的历史，这些变量被称为协变量。模型会尝试学习协变量的历史变化，是如何影响目标变量的。

比如，预测一个城市的交通拥堵指数。输入就不应只是拥堵指数的历史数据，还应包括过去时段的降雨量、是否节假日、是否有大型活动等协变量的历史序列。因为暴雨或演唱会，会显著改变未来的交通状况。模型能从中学到“下雨天晚高峰拥堵指数会飙升”这样的关联模式。

场景三：增强预测，再引入协变量的未来数据

这是最强大也最贴近实战的场景。它用到了“预知未来”的能力，当然，这个“未来”是部分已知的。

• 输入：多条时间序列的一段历史数值 + 一些协变量的未来数值。

• 输出：一条时间序列（目标变量）的一段未来数值。

这个场景的精髓在于：目标变量本身很难预测，但有些影响它的协变量，其未来值是已知的或可以被精准预测的。把这些已知的协变量的未来数值喂给模型，能极大地提升预测准确性。

最经典的例子是电力负荷预测。我们要预测未来的用电量（目标变量）。输入不仅包括历史用电量和历史气温，更关键的是，我们拥有未来气温的天气预报！天气预报就是最重要的“协变量的未来数据”。模型可以结合历史规律和已知的“明天会升温”这个未来信息，更精准地推算出空调负荷的激增。

总结

时序大模型的使用方式非常清晰：

• 场景一，只看自己的过去。

• 场景二，还看了相关因素的过去。

• 场景三，更进一步，还参考了相关因素已知的未来。

这三个场景，就是时序大模型核心预测能力的展示。它就是这样一个聪明的函数，能够灵活地整合不同维度的历史与未来信息，为我们描绘出关于未来的趋势。