时序数据库在支持时序特性写入、存储、查询等功能后，正朝着深度分析方向发展。 自动化异常监测与智能化趋势预测，成为时序数据管理的核心需求。

时序数据库 IoTDB 团队不断探索，自研推出了 面向时间序列的大模型  Timer 和扩展版 Timer-XL，性能取得多项突破并 在国际机器学习 Top-Level 会议发表成果，为时序分析预测提供了更高效的解决方案。

深度时序分析通用基础模型 Timer 和时序数据库 IoTDB 一样， 发源于清华大学软件学院，具备可观的分析能力和对真实世界数据的理解能力。通过显著的少样本能力和多任务适配能力，Timer 模型能够处理多样化的下游任务，为多类实际应用场景提供通用解决方案。

Timer 模型拥有以下特点：

• 泛化性：模型能够通过使用少量样本进行微调，达到行业内领先的深度模型预测效果。

• 通用性：模型设计灵活，能够适配多种不同的任务需求，并且支持变化的输入和输出长度，使其在各种应用场景中都能发挥作用。

• 可扩展性：随着模型参数数量的增加或预训练数据规模的扩大，模型的性能会持续提升，确保模型能够随着时间和数据量的增长而不断优化其预测效果。

作为 Timer 模型的扩展版本，Timer-XL 模型在继承其优秀特性的基础上，实现了三大核心突破：

• 扩展上下文输入：该模型突破了传统时序预测模型的限制，支持处理数千个Token（相当于 数万个时间点）的输入，有效解决了上下文长度的瓶颈问题。

• 多变量预测场景覆盖：支持多种预测场景，包括非平稳时间序列的预测、涉及多个变量的预测任务以及包含协变量的预测，满足多样化的业务需求。

• 大规模工业时序数据集训练：采用 万亿大规模工业物联网领域的时序数据集进行预训练，数据集兼有庞大的体量、卓越的质量和丰富的领域等重要特质，覆盖能源、航空航天、钢铁、交通等多领域。

目前，Timer 模型 已经内置在时序数据库 IoTDB 的智能分析节点 AINode 中，用户能够非常方便地进行调用。得益于 Timer 模型的优异性能，时序数据库 IoTDB 可以有效地为异常检测、数据填补、时序预测等工业场景提供解决方案。

利用时序大模型精准识别与正常趋势偏离过大的 异常值， 可支持静态阈值告警和动态阈值告警，实现告警自动化。

下图蓝色曲线代表预测告警数据，红色曲线为实际数据趋势，可见预测告警结果准确性较高。

调用时序大模型进行预测，在缺失值可能发生之前， 使用预测值对缺失数据进行补全，实现补全算法智能化，不局限于线性插值补全。

下图蓝色曲线代表预测填补数据，红色曲线为实际数据趋势，两曲线反映趋势高度吻合。

利用时序大模型的预测能力，可原生支持多变量预测， 能够准确预测时间序列的未来变化趋势，相比单变量预测实现更优的预测准确性。

下图蓝色曲线代表预测趋势，红色曲线为实际趋势，两曲线高度吻合。

多类大模型的预测结果对比中，Timer-XL 模型在零样本预测、单变量预测、多变量预测、协变量预测场景， 结果准确性都优于其他大模型，并具有更强的泛化性能，可以在训练集之外的数据集保持高可靠性。

多变量预测方面，Timer-XL 模型预测效果达到了  SOTA 水平（State-of-the-Art，在该领域当前达到的最佳性能水平）。协变量预测方面， Timer-XL 的表现优于 SOTA 水平的专门化模型。

上述成果代表 Timer-XL 模型能够熟练地在大量数据中自适应地选择信息，从而实现卓越的预测性能，充分证明了 Timer-XL 模型在时序预测领域的领先地位与强大实力。

未来，IoTDB 团队将持续优化时序大模型架构及功能，拓展其在工业多领域、多场景应用，推动时序数据分析进入智能决策新阶段。