时间序列 Foundation 模型：Chronos 课堂作业

作业定位

这份作业直接接在下面两组材料之后完成：

• 23/2-prog：Chronos zero-shot demo
• 23/4-prog：Chronos 最小 fine-tune demo

目标不是让大家训练一个新模型，而是让大家亲手观察：

1. 时间序列 foundation model 怎样进入真实行业场景
2. zero-shot forecasting 在你自己的专业数据上到底表现如何
3. 微调之后它会改善什么，又不会自动解决什么

作业目标

请基于现有的 Chronos 示例，完成一份 “本专业时间序列 zero-shot + fine-tune 对比实验”。

你需要：

1. 先跑通 ETTh1 的最小 demo
2. 再换成一条和自己专业 / 课题相关的时间序列
3. 先做 zero-shot 对比
4. 再完成一次最小 fine-tune 对比
5. 分析模型真正学到了什么、又没有学到什么

数据要求

请至少准备 2 组时间序列：

第 1 组：课程提供的基线数据

• ETTh1.csv
• 推荐先用 OT 列

这一步的作用是：

• 先确认代码、模型和绘图流程是通的

第 2 组：你自己的专业相关时间序列

这一组是本次作业的重点。
请尽量选和你自己的专业、课题或实验最接近的序列。

例如：

• 通信方向：流量序列、信道质量指标、误码率、吞吐量、时延
• 电力方向：负荷、电压、电流、设备温度、功率
• 电子信息方向：传感器输出、实验平台采样值、频谱强度、测量曲线
• 计算机方向：CPU、内存、网络请求量、日志计数
• 其他方向：任何按时间排序、可以做预测的数值序列

要求并不高：

• 一条单变量序列就够
• 数据长度最好大于 600
• 能清楚区分“历史窗口”和“未来窗口”

推荐完成路径

这份作业建议分成两个部分完成。

Part A：zero-shot 对比

第 0 步：先跑通示例

先运行：

cd 23/2-prog
./0-chronos-etth-demo.sh

确认你已经看懂：

• 输入是什么
• 输出图怎么看
• history / future / median forecast / interval 分别是什么

第 1 步：复制一份自己的实验脚本

建议不要直接改原始示例。
你可以复制成一个新文件，例如：

my-chronos-demo.py

然后把自己的数据接进去。

第 2 步：先在自己的数据上做最小预测

至少要明确下面几个量：

• 目标列是什么
• 历史窗口多长
• 预测未来多长
• 结果图是否能正常画出来

第 3 步：做一个最小 zero-shot 对比

至少比较下面两组结果：

1. ETTh1 + Chronos
2. 你的专业序列 + Chronos

如果时间允许，可以再加一个简单 baseline，例如：

• 最后一个值直接延续
• 移动平均
• 线性外推

第 4 步：保留失败案例

请至少保留 2 个你认为不理想的结果。

例如：

• 趋势方向对了，但幅度明显不对
• 预测区间太宽
• 遇到突变点就崩
• 周期性没抓住

Part B：最小 fine-tune 对比

第 5 步：先跑通课程提供的 fine-tune demo

先运行：

cd 23/4-prog
./0-finetune-chronos-etth.sh

这一步的作用是：

• 看懂 Chronos tiny 的最小微调闭环
• 看懂“微调前 vs 微调后”的对比图

第 6 步：解释这套微调在做什么

请至少说清楚下面几件事：

• 输入为什么变成了滑动窗口
• 为什么要把数值序列 token 化
• 为什么这里本质上是在做 seq2seq teacher-forcing 训练
• 为什么微调后还要重新做预测比较

第 7 步：完成一个 fine-tune 结果分析

这里不要求你一定自己把专业数据也做成可训练脚本。
最低要求是：

• 跑通 ETTh1 上的 fine-tune demo
• 比较微调前后 MAE 和预测图
• 分析它改善了什么

如果你有能力，也可以进一步把自己的专业序列也接入这个 fine-tune 流程。

第 8 步：把 zero-shot 和 fine-tune 放在一起比较

请明确回答：

1. zero-shot 的价值是什么？
2. fine-tune 带来了什么额外收益？
3. fine-tune 之后，哪些边界仍然还在？

建议提交内容

请提交一个压缩包，包含：

1. 你的脚本或 notebook
2. zero-shot 结果图
3. fine-tune 结果图
4. 一页到两页短报告

短报告建议结构

1. 数据说明

• 你选了什么专业数据
• 这条序列在你的场景里代表什么
• 为什么它值得预测

2. 实验设置

• 你选了多长的历史窗口
• 预测了多长的未来
• zero-shot 阶段是否加了简单 baseline
• fine-tune 阶段用了哪套默认设置

3. 结果分析

请明确回答：

• 在 ETTh1 上，zero-shot 表现得怎样
• 在你的专业数据上，zero-shot 表现得怎样
• fine-tune 后，ETTh1 上的表现有没有改善
• zero-shot 和 fine-tune 的差异最明显在哪里

4. failure case

请至少给出 2 个失败案例，并说明：

• 你觉得问题更像来自数据分布差异
• 还是来自模型本身的能力边界
• 微调之后，这些问题是否真的消失了

评分重点

这份作业不按“误差最低”评分，更看重下面几件事：

1. 是否真的把模型迁移到自己的专业序列上
2. 是否完成了和 ETTh1 的对比
3. 是否能读懂 zero-shot 和 fine-tune 两类结果图
4. 是否看到了 zero-shot forecasting 的真实边界
5. 是否理解了 fine-tune 改善了什么、又没改善什么

你真正要带走什么

如果做完后只记住一句话，那应该是：

时间序列 foundation model 的价值，不只是“能预测”，而是先给出一个可迁移 baseline，再看有没有必要继续微调。

所以这份作业真正训练的是：

• 迁移判断
• 结果解读
• 微调前后比较
• 行业问题里的工程直觉