时序预测主流模型综述

时序预测主流模型综述（自用）

研究概述
时序模型整体发展脉络
传统统计时序模型
机器学习时序模型
经典深度学习时序模型
通用时序Transformer模型
工业专用时序Transformer模型
时序预训练大模型
主流模型横向对比
通用及工业场景选型策略
模型演进总结
时序预测真实落地任务范式

1. 研究概述

本文覆盖学术界与工业界全品类主流时序预测模型，完整梳理六大技术体系，既包含通用传统模型，也聚焦工业落地最优方案。重点区分各类模型的适用边界，核心对比TimesNet与PatchTST的工业适配差异，同时结合工业真实落地的预测任务范式、输入输出约束规则，形成一套完整、无认知局限、可直接落地的时序模型选型体系。

2. 时序模型整体发展脉络

行业时序预测模型迭代分为六大体系，覆盖市面上绝大多数研究与落地方案：

统计时序模型：ARIMA、SARIMA、Prophet，为传统经典基线；
机器学习时序模型：XGBoost、CatBoost、LightGBM，轻量化落地主流；
经典深度学习模型：LSTM、GRU、TCN，深度学习时序基础模型；
通用Transformer模型：原生Transformer、Informer，早期长时序优化方案；
工业专用Transformer模型：TimesNet、PatchTST，当前工业落地SOTA模型；
时序预训练大模型：Chronos、TimesFM、Time-LLM，少样本跨场景前沿方案。

3. 传统统计时序模型

代表模型：ARIMA、SARIMA、Prophet

该类模型基于线性统计假设，结构简单、可解释性强、无需大量训练算力，部署门槛极低。

核心短板明显，仅适配平稳线性时序，无法处理多变量耦合、非线性波动、多周期叠加、带噪声突变的复杂数据，抗干扰能力弱。

仅适用于销量、客流、物价等简单单变量、趋势平稳的短期预测场景，不适用工业复杂工况。

4. 机器学习时序模型

4.1 XGBoost / CatBoost

通用数据分析与轻量工业场景主流模型，依靠滑动窗口人工构造时序特征，精度优于传统统计模型。原生支持类别特征，鲁棒性强，是常规时序任务通用基线。缺陷为无原生时序建模能力，无法自主学习周期与长距离依赖，效果完全依赖人工特征工程，复杂场景精度上限低。

4.2 LightGBM

轻量化梯度提升树模型，速度、内存占用优于XGBoost，适配边缘部署、低延迟实时推理、小样本场景。无需数据归一化，兼容缺失值与异常工况参数，是工业轻量化时序预测首选。缺点为无法自动捕捉时序周期与长距离依赖，仅适合简单短时序场景。

5. 经典深度学习时序模型

5.1 LSTM / GRU

经典循环时序网络，依靠隐状态传递时序记忆，可拟合非线性时序规律，部署成熟、通用性强，是深度学习时序任务基础基线。

短板为串行计算、训练速度慢、长序列易梯度衰减，无专属周期提取能力，无法适配多周期叠加、带突变的工业复杂工况。GRU为简化版本，速度更快、精度略低。

5.2 TCN 时序卷积网络

基于空洞卷积并行建模，训练速度优于LSTM，擅长捕捉局部时序波动，是轻量化通用深度学习模型。短板为长距离依赖建模能力弱，无法精准捕捉多层周期规律，复杂工业场景适配性有限。

6. 通用时序Transformer模型

6.1 原生 Vanilla Transformer

依托全局自注意力并行建模时序依赖，多变量交互能力强。核心问题是计算量随序列长度平方级增长，无法适配长时序，且无周期建模能力，对周期性时序拟合效果差。

6.2 Informer

采用稀疏注意力降低Transformer算力开销，曾是主流长时序基线模型。缺陷为稀疏采样会丢失细微周期与突变细节，无频域建模能力，工业复杂工况精度不足，现已逐步被专用时序模型替代。

7. 工业专用时序Transformer模型

7.1 TimesNet

工业多周期工况最优模型，核心通过FFT频域解析多层周期，结合卷积提取瞬时突变与局部波动，完美适配工业常见的多周期叠加、传感器噪声、工况跳变场景，适配30-300步中等序列，广泛用于设备能耗、窑炉工况、生产时序预测。

缺点：500步以上超长序列算力开销大，超参数较多，调参成本偏高。

7.2 PatchTST

超长时序专用轻量化模型，通过时序分块将大量时间步压缩为Patch块，大幅降低算力与显存占用，对上千步超长序列适配性极强，泛化稳定、调参简单。

缺点：无主动频域周期解析能力，仅隐式学习时序规律，多层周期叠加工况拟合不足；分块平滑会丢失设备短时突变细节，中短周期复杂工业场景精度弱于TimesNet。

7.3 两款工业模型选型边界

30-500步中短序列、多周期叠加、含工况突变：优先 TimesNet；
500步以上超长序列、平稳长趋势预测：优先 PatchTST。

8. 时序预训练大模型

8.1 Chronos

通用时序预训练模型，跨行业泛化能力强，零样本、少样本效果突出，适合新产线、新设备等标注数据不足的场景。固定场景足量数据下，专项精度低于TimesNet、PatchTST等专用小模型。

8.2 TimesFM

超长时序预训练模型，支持上万步预测，兼容多变量与协变量，工业微调友好，擅长超长周期趋势预判。缺点是参数量大、推理显存占用高，不适合实时低延迟部署。

8.3 Time-LLM

时序+文本多模态大模型，可结合业务文本信息辅助预测，极少量数据场景泛化能力强。但显存开销极大，纯时序预测的精度与速度弱于原生时序大模型与工业专用小模型。

9. 主流模型横向对比

模型	定位	周期捕捉	长序列能力	突变捕捉	算力	适用场景
ARIMA/Prophet	传统统计模型	弱	极差	弱	极低	简单平稳单变量时序
XGBoost/LightGBM	机器学习通用模型	弱（人工构造）	差	中	极低	轻量、实时、小样本场景
LSTM/TCN	经典深度学习基线	一般	中等	中	低	常规平稳时序任务
Informer	早期长时序Transformer	一般	较好	一般	中	通用中等长时序基线
TimesNet	工业周期SOTA	极强	中等	极强	中	多周期、带突变工业时序
PatchTST	超长时序SOTA	中等	极强	一般	中	上千步超长时序预测
时序大模型	前沿预训练模型	中	顶尖	中	极高	少样本、跨场景、新产线

10. 通用及工业场景选型策略

通用普通场景

简单平稳短期预测：Prophet、ARIMA；
低算力、小样本结构化时序：XGBoost、LightGBM；
常规平稳时序深度学习基线：LSTM、TCN；
中等长度通用长时序预测：Informer、PatchTST。

工业复杂场景

多周期叠加、带工况突变、中短序列：TimesNet（最优）；
超长连续时序、长期趋势预判：PatchTST；
新设备、新产线、标注数据稀缺：Chronos、TimesFM；
边缘部署、低延迟实时推理：LightGBM。

11. 模型演进总结

时序模型整体迭代链路清晰：统计模型→机器学习树模型→经典深度学习模型→通用Transformer→工业专用Transformer→时序预训练大模型。

通用场景下传统模型仍是稳妥基线，但无法适配工业复杂多周期、强波动、带突变的时序数据。当前工业落地形成互补格局：TimesNet专攻中短周期复杂工况，PatchTST专攻超长时序场景。时序大模型擅长跨场景、少样本泛化，但固定足量数据的工业场景中，专项精度与推理效率不如工业专用小模型。

12. 时序预测真实落地任务范式

所有时序模型的落地效果，严格取决于预测输出范式 与输入窗口约束，工业与工程场景主要分为两大类任务，完全贴合实际业务（如3分钟历史数据预测未来5分钟工况）。

12.1 按预测输出方式分类

（1）单步预测（预测下一刻）

仅根据历史时序，预测未来单个时间步数值。例如输入3分钟历史数据，仅预测下1分钟/下1秒的设备状态。

特点：推理速度快，适合实时监控、瞬时异常预警、单点数值跟踪；缺点是如需长时预测，必须滚动迭代，会持续累积误差。

适配模型：LightGBM、LSTM、TCN等轻量模型，Transformer与大模型无明显优势。

（2）多步长序列预测（预测整段未来时序）

一次性直接输出未来一整段连续时序曲线，是工业生产核心落地范式。例如输入3分钟历史工况，直接输出未来5分钟完整时序变化。

特点：无需滚动迭代、无误差累积，可完整预判未来趋势、周期波动、工况拐点，适配生产调控、趋势分析、提前预判场景。

适配模型：TimesNet、PatchTST、时序预训练大模型，Transformer架构是长序列多步预测的核心方案。

12.2 按输入窗口约束分类

（1）固定输入长度预测

工业最主流落地方式：模型固定历史输入窗口大小，维度统一、训练稳定、部署简单、容错率高。例如固定每次仅输入3分钟时序数据，所有样本维度一致。LightGBM、LSTM、TimesNet等绝大多数工业模型均采用该范式。

（2）不固定（动态）输入长度预测

输入历史时长不固定，模型自适应适配任意长度序列。该范式仅适配PatchTST、时序大模型；传统小模型无法兼容动态输入，易出现精度崩坏、推理异常。

12.3 任务范式整体选型总结

实时单点预判、固定短窗口场景：优先 LightGBM / LSTM；
工业多周期整段趋势预测、固定输入窗口：优先 TimesNet；
超长时序、动态输入、长段未来预测：优先 PatchTST / 时序大模型；
少样本跨场景、任意输入长度通用预测：优先 Chronos / TimesFM。

时序预测主流模型综述