阿联酋Flashmind发布PDM系列时序预测模型，参数规模6M至119M

今天我们推出 PDM，这是一个 AI 模型系列，能够根据历史数据预测未来数值。PDM 由阿联酋的 Flashmind 构建，包含 Nano、Pico 和 Femto 三个模型，可预测需求、能耗、传感器读数以及其他随时间变化的测量值。三个模型均可免费试用，并可通过 Flashmind API 使用。

PDM 无需你自己训练模型即可处理新数据，这被称为零样本预测。发布时，PDM-Nano 在 GIFT-Eval 和 TIME 两个基准上，按归一化 MASE（衡量预测误差的指标）排名零样本基础模型第一。1, 2

许多决策都依赖于判断接下来可能发生什么。商店在顾客到来之前订购库存；能源运营商在明日需求未知时规划供应。预测帮助人们利用已有的测量数据做出这些决策。

时间序列不过是一系列随时间变化的测量值：每日销量、每小时用电量或机器的读数。你把这段历史数据交给 PDM，并选择要预测多远，这被称为预测视界。对于每日销量，14 步预测即预测未来 14 天。

PDM 是一个预测基础模型。它在训练期间从大量时间序列中学习模式，然后将所学应用到新的序列上。正因如此，你可以直接从提供数据进入获取预测，而无需为每家商店、每栋建筑或每台机器单独进行训练。

历史测量值只是全貌的一部分。计划中的折扣、营业时间的变化或价格上涨都可能影响接下来的走势。PDM 可以在你要预测的序列之外使用这些额外信息。这些额外输入被称为协变量。

设想一家咖啡馆要决定未来两周准备多少库存。它计划打 20% 的折扣，并将停业一天。下图比较了 PDM-Nano 对其每日冰咖啡订单的两次预测：一次仅使用销售历史；另一次还使用了历史气温、折扣和营业时间，包括计划中的促销和停业。

带有 PDM-Nano 预测记录的合成咖啡馆数据。图表显示了最近 28 天的历史和 14 天的预测。切换输入以比较已保存的预测，或在 playground 中重新运行咖啡馆订单。

借助额外信息，预测能够预见到促销带来的激增和停业日的下降。在此示例中，每日预测误差的平均幅度从 29.50 杯降至 18.00 杯。该指标被称为平均绝对误差，即 MAE。

阴影带表示预测周围的不确定性。其中间线是中位数，即模型的中心估计；阴影带覆盖其第 10 至第 90 百分位数。这些水平被称为分位数。三个模型均预测 21 个分位数，API 允许你选择返回哪些分位数。它们帮助你针对一系列结果进行规划，例如在缺货代价高昂时持有更多库存。

两次预测均使用相同的 512 天销售历史，并预测未来 14 天。带协变量的预测仅接收历史日期的气温。折扣和营业时间既包含历史值，也包含咖啡馆未来 14 天的已知计划。未来销量对两次预测均不可见，仅用于衡量其误差。

订单被约束为非负整数。阴影带属于带协变量的预测。这些结果来自此合成示例，而非基准平均值。文末可展开的复现脚本通过一次 API 请求运行两次预测。

Nano、Pico 和 Femto 共享一个为时间序列预测设计的自定义架构。它们的能力不同，以参数衡量：即模型在训练期间学习的数值。Nano 最大，Femto 最小。

在我们报告的 GIFT-Eval、TIME 和 fev-bench 的所有聚合指标上，准确率随模型规模增大而提升。

三个规模的能力保持不变。除了预测单个序列，每个模型还可以一起预测多个相关序列，例如各门店的销量或相连传感器的读数。这被称为多变量预测。playground 中的 linked-sensor 示例可让你将其与单独预测某个传感器进行比较。

三个模型还均支持历史协变量和已知未来协变量、缺失观测值、每个序列最多 16,336 个历史观测值作为上下文，以及 960 步的原生预测视界。一步对应你数据的时间间隔：小时级序列为一小时，日级序列为一天。你可以在同一 API 调用中更改模型名称来切换模型。

基准测试在大量预测问题上测试模型，以便比较其准确率。两个关键指标是 MASE（平均绝对缩放误差），衡量中心预测相对于简单基线的准确率；以及 CRPS（连续排名概率得分），评估可能结果及其预测概率。两者均为分数越低越好。在 fev-bench 上，结果以技能分数展示，越高越好。

截至 2026 年 11 月 1 日，PDM-Nano 在 GIFT-Eval 和 TIME 两个基准上按归一化 MASE 排名零样本基础模型第一，得分分别为 0.637 和 0.625。两个基准的维护者均独立复现了我们三个模型的结果，并合并了我们的提交，包括复现代码。6, 7

我们的评估覆盖 97 个 GIFT-Eval 配置、98 个 TIME 配置和 100 个 fev-bench 任务。6, 7, 8 下图展示了该系列在这些基准上的结果。

启用 JavaScript 以查看基准比较。

提升遍及所有模型规模。从 Femto 到 Nano，归一化 GIFT-Eval MASE 下降 6.9%，CRPS 下降 7.3%。1 在该基准上，32.2M 参数的 Pico 以少 6.5 倍的参数击败 Timestral-209M，而 6.18M 参数的 Femto 击败了规模为其 37 倍的 TimesFM-2.5。两项比较在归一化 MASE 和 CRPS 上均成立。1, 4, 5

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）