当前位置:首页>排行榜>我冲到了时间序列全球排行榜第一!

我冲到了时间序列全球排行榜第一!

  • 更新时间 2026-11-21 01:22:29
我冲到了时间序列全球排行榜第一!
Albert:一次关于时间序列预测与模型集成的探索
最近,我独立完成的时间序列预测模型 Albert,在 GIFT-Eval 全球综合排行榜中取得了第一名。
在覆盖 7 个领域、97 个任务配置的评测中,Albert 的 MASE_Rank 达到16.381,CRPS_Rank 达到18.237。在与官方 170 个无测试集泄漏模型的同池比较中,取得了领先表现。
这是一次让我非常开心的研究经历。比起排名本身,我更想借此记录一下这项工作的思考过程,以及我对时间序列预测的一些理解。

01. 为什么选择模型集成?

近年来,时间序列基础模型发展迅速。从 TimesFM、Chronos 到 Toto,不同架构和训练范式的模型不断涌现,在各类预测任务上展现出越来越强的能力。
但一个有趣的现象是:不同模型往往各有所长。某个模型可能擅长捕捉长期趋势,另一个模型可能更适合处理局部波动;同一个模型在不同领域、不同预测跨度下,也可能呈现出截然不同的表现。
这让我想到一个问题:与其寻找一个在所有任务上都表现最好的模型,能不能让多个模型根据具体任务发挥各自的优势?
这就是 Albert 的出发点。

02. Albert:让不同模型协同工作

Albert 并不是一个从零训练的新型基础模型,而是一套以多模型协同为核心的时间序列预测集成系统。我们将多个具有不同建模特点的预训练模型组合起来,通过任务特征分析、动态路由、验证集表现评估和预测融合,让系统能够根据不同任务和预测窗口调整模型组合。
这套方案被称为H2-Decoupled。
在设计过程中,我重点考虑了几个问题:如何判断不同模型分别适合什么样的预测任务?如何避免表现不稳定的模型影响整体结果?如何利用多个模型之间的互补性,而不是简单地将它们的预测取平均?
其中,一个比较重要的设计是将点预测与概率预测分开处理。前者更关注预测结果本身是否准确,后者还需要考虑整个预测分布及其不确定性。因此,两者不一定适合使用相同的融合策略。Albert 针对这两个目标分别设计了融合机制,希望在不同评价维度上都取得更好的表现。
此外,我们还特别关注了验证集选择的可靠性、异常预测的处理,以及整个流程中的数据泄漏问题。
目前,H2-Decoupled 的具体架构、路由机制和融合细节暂时不在本文中展开,后续如果条件成熟,希望整理成更加完整的技术报告。

03. 实验结果:持续迭代,而不是一次性设计

Albert 并不是一开始就取得了现在的成绩。整个过程经历了多个版本的迭代,每一轮都围绕模型组合、路由机制和融合策略进行调整,并通过消融实验观察不同设计带来的变化。
从最初的简单模型集成,到引入动态路由和验证集选择,再到针对点预测与概率预测设计不同的融合方式,整体性能逐步提升。
部分版本的实验结果如下:

版本

MASE Rank

CRPS Rank

OpenTSLM-TeeMoE(基线)

32.649

36.227

v1

31.773

34.278

v2

26.155

29.639

v3

19.062

21.258

v6

17.443

19.722

v9

16.691

19.330

Albert

16.381

18.237

从实验结果来看,模型集成并不是模型数量越多越好。如何识别模型之间的互补性,如何选择合适的模型,以及如何针对不同预测目标设计融合方式,可能比单纯增加模型数量更加重要。
在不同领域的表现上,Albert 在 Sales 和 Econ/Fin 等领域取得了较好的结果,但在 Nature 和 Web/CloudOps 等领域仍有进一步提升的空间。这些差异也为后续研究提供了方向。

04. 一些思考

这次研究让我对一个问题有了更深的认识:模型能力的提升,不一定完全依赖于单一模型规模的增长。
当我们拥有多个具有不同优势的模型时,能否建立一种机制,让它们在合适的场景下发挥作用,同样值得深入研究。
从更广泛的角度看,这也涉及机器学习中的一个重要问题:如何根据数据、任务和模型自身的特点,动态地分配计算资源与决策权重。
当然,Albert 目前仍然有很多值得继续探索的地方。例如,如何进一步提升路由机制的泛化能力,如何更准确地估计预测不确定性,以及如何降低多模型集成带来的计算成本。
取得排行榜第一是一个值得庆祝的阶段性成果,但它并不意味着问题已经解决。对我而言,真正有价值的是通过这次工作,逐步形成了自己对模型设计、实验验证和研究方法的理解。

05. 写在最后

从一个最初的想法,到模型设计、实验迭代,再到最终在 GIFT-Eval 上取得第一名,这段经历让我更加确信,研究的魅力在于不断提出问题、验证想法,并在实验结果面前修正自己的判断。
感谢这段研究经历中给予过我帮助和启发的人,也感谢所有开源模型与评测基准的贡献者。
Albert 是一个阶段性的成果,也是下一段探索的起点。
未来,我希望继续在时间序列建模、机器学习与数学方法的交叉领域深入探索。
Research. Think. Create.

随机文章