Zero shot forecasting: finding the right foundation model for O11Y forecasting
a year ago
- #foundation-models
- #time-series-forecasting
- #machine-learning
- 从经典统计方法转向时间序列预测中的基础模型。
- 基础模型为零样本和迁移学习在时间序列数据中的应用提供了可能。
- 基准测试模型包括亚马逊Chronos、谷歌TimesFM、IBM Tiny Time-Mixers和Datadog Toto。
- 评估重点围绕MAPE（平均绝对百分比误差）以衡量鲁棒性和可解释性。
- 数据集采用真实场景的Kubernetes Pod指标以反映生产环境挑战。
- Datadog Toto在多变量预测任务中表现最佳。
- 经典模型（如向量自回归移动平均）在稳态工作负载中仍具竞争力。
- 基础模型擅长处理数据多样性并降低运维成本。
- 需权衡推理延迟和对未知数据模式的鲁棒性。
- 结论：基础模型是重要补充，但并非通用解决方案。