论文聚焦时间序列预测中的大时间序列模型（LTMs）零样本/跨域应用问题。LTMs虽能用单一预训练模型服务多任务，但真实时间序列存在强多样性与非平稳性，不同领域的周期、趋势、异常和尺度差异明显，导致冻结模型在新域上精度与泛化难兼顾。

现有做法常对每个领域微调LTM，但会增加训练成本、产生多个模型实例，并可能削弱通用性。作者的核心动机是：不改模型参数，而是通过自动优化输入数据变换，让数据更适配冻结LTM。图1展示了下采样、异常修正、差分等变换可明显改善预测，说明数据侧适配有潜力。

另外我整理了，科研工具资料包：写作/阅读/编码/文献/实验/绘图，全流程照搬，感兴趣的dd，希望能帮到你！

原文 姿 料 这儿！

二、核心方法

整体思路：TATO在时间序列预处理域搜索最优变换流水线，使单个冻结LTM适配不同下游领域。

核心优化目标为：

其中，(M)为冻结LTM，(H)为变换流水线配置空间，(h)为候选流水线，(D_{history})用于搜索，(D_{future})仅用于最终测试。

TATO包含三类九种算子：

• 上下文切片：Trimmer、Sampler、Aligner，调整回看长度、采样频率和patch对齐。

• 尺度归一化：Scaler、Differencer、Warper，处理尺度、趋势和方差不稳定。

• 异常处理：Imputator、Denoiser、Clipper，缓解异常点和噪声影响。

流程上，TATO先对历史样本做增强，如翻转、扭曲、噪声、平移、加斜率，以提升搜索鲁棒性；再用TPE等黑盒超参数优化搜索流水线；最后用两阶段Pareto排序筛选候选。第一阶段在增强样本和多指标上剔除风险流水线，第二阶段只在原始样本上按MSE、MAE等加权排序。

三、实验验证与效果

实验覆盖ETT四个子集、Electricity、Exchange、Traffic、Weather，模型包括Timer-UTSD、Timer-LOTSA、Moirai-small/base/large、Chronos-tiny。评价指标包括MSE、MAE及其统计量。

相对提升定义为：

其中 (e_V) 为原始冻结LTM误差，(e_T) 为使用TATO后的误差。结果显示，TATO在96个主要评估项中84.3%不低于基线，平均MSE降低13.6%，最高在Exchange上降低65.4%。

效率方面，多数优化在120秒内完成；推理阶段额外变换开销在batch size为1时低于3毫秒。消融实验表明，Trimmer和Scaler很关键；两阶段排序虽不一定带来最高均值提升，但能增强稳定性。

四、小编总结

这篇论文的重点不是再训练一个更强模型，而是提出“让数据适配模型”的TATO框架。它通过自动搜索时间序列变换流水线，在保持LTM冻结的前提下提升跨域预测效果。实验说明，该方法轻量、通用，并能与微调互补，适合需要单一基础模型服务多个时间序列领域的场景。