自研时序大模型讲解（4月29日）直播回顾

4 月 29 日，清华团队揭秘：时序大模型如何让数据“活”起来线上直播圆满结束。清华大学软件学院博士生，IoTDB 原生机器学习引擎 AINode 研发同学刘雍在线上面向数千人次的时序数据分析人员与 AI 大模型行业关注者，就时序大模型的发展趋势，清华团队自研时序大模型成果，与基于 IoTDB AINode 构建的时序分析系统进行了深度讲解。

感谢线上参与聆听、提出问题的所有朋友，完整直播回放可在 Apache IoTDB/天谋科技视频号观看。下面我们将为您梳理此次直播的主要内容，方便您依据内容进行回顾：

时序大模型：

基于深度学习的时序分析工具

工业 4.0 与大数据时代，对于时序数据的管理应用愈发受到重视，多产业目前处在从“采数”到“用数”转变的关键转型期，急需实现时序预测、异常检测、时序填补、时序分类等功能。而旨在设计模型结构，从海量数据中自动挖掘模式与特征的深度学习技术，无疑是实现时序分析场景的合适选择。

面对传统时序分析的诸多挑战，面向时序数据特性设计、专门服务时序分析的时序大模型领域发展迅速。通过规模预训练与模型微调提升适配性，时序大模型有望推进时序数据领域的通用感知与决策智能化。

Timer、Timer-XL、Sundial：

预测效果优势明显

清华大学团队持续深耕时序大模型研发，自研实现 Timer、Timer-XL、Sundial（日晷）等多项研发成果，在少量数据泛化、动态回溯窗口、预测上下文通用性、引入生成式预测等方向均实现架构与功能创新。

基于庞大数据量的预训练建模，清华团队自研时序大模型成果的预测效果和推理效率表现优异，超过国内外头部模型，能以更小的推理代价实现卓越的零样本预测准确性，并支持时序缺失填补、时序异常检测等多类应用场景。

IoTDB AINode：

管理分析一体化引擎

受限于分析平台与数据管理系统的集成难题，海量时序数据的分析价值依然亟待挖掘与释放。为更好地在数据库功能层面集成分析系统，降低分析门槛，减少数据迁移，时序数据库 IoTDB 实现智能分析节点 AINode，集成前沿机器学习算法与深度模型，用户可基于 SQL 在数据库中实时构建、管理与调用智能算法。