GlucoFM-Bench: 血糖预测的时间序列基础模型基准测试

arXiv cs.LG 论文
blood-glucose-forecasting benchmark time-series-foundation-models diabetes-management zero-shot-learning few-shot-learning lstm

摘要

GlucoFM-Bench 评估了用于血糖预测的时间序列基础模型，在15个数据集上展示了Chronos-2和TimesFM在零样本/少样本迁移方面的强劲表现，但指出当完整训练数据可用时，轻量级LSTM的性能更优。

arXiv:2606.06881v1 Announce Type: new 摘要：血糖预测模型是现代糖尿病管理系统的基石，可靠的短期预测能够主动干预、支持自动胰岛素输注，并降低低血糖和高血糖事件的风险。从建模角度看，由于糖尿病群体生理动态的异质性，血糖预测面临独特挑战。传统机器学习和深度学习模型已在血糖预测中得到广泛评估，但近期的时间序列基础模型在此场景下的研究仍较少。为弥补这一空白，我们提出了GlucoFM-Bench，一个综合基准，评估最先进的时间序列基础模型与监督深度学习模型在血糖预测中的表现。我们评估了八种代表性架构，包括预训练的时间序列基础模型、时间序列大语言模型和特定任务的深度学习模型，覆盖15个公开的糖尿病相关数据集，包含1117名1型糖尿病、2型糖尿病、糖尿病前期和非糖尿病患者。模型在零样本、少样本和全样本协议下进行评估，并系统性地变化上下文长度和预测范围。在数据集上，预训练的时间序列基础模型，尤其是Chronos-2和TimesFM，展现了强大的零样本和少样本迁移能力，最佳零样本模型的性能与最佳全样本监督模型的差距在5%以内。然而，当任务特定数据充足时，轻量级LSTM仍是最强模型，在全样本训练中比时间序列基础模型优4–21%。分层分析揭示了在1型糖尿病队列和低血糖/高血糖范围的持续挑战，表明需要超越聚合误差指标的评估。总之，GlucoFM-Bench为评估、比较和优化血糖预测基础模型提供了标准化且可重复的基础。
查看原文
查看缓存全文

缓存时间: 2026/06/08 09:18 

# GlucoFM-Bench：面向血糖预测的时间序列基础模型基准测试
来源: https://arxiv.org/abs/2606.06881
查看 PDF (https://arxiv.org/pdf/2606.06881)

> **摘要：**血糖预测模型是现代糖尿病管理系统的基石——可靠的短期预测能够实现主动干预、支持自动化胰岛素输注，并降低低血糖和高血糖事件的风险。从建模角度看，由于糖尿病群体间存在异质性生理动态，血糖预测面临着独特挑战。传统的机器学习和深度学习模型已在血糖预测中得到了广泛评估，但近期兴起的时间序列基础模型（TSFM）在此场景下的研究仍相对匮乏。为弥补这一空白，我们提出了 GlucoFM-Bench，一个全面的基准测试框架，用于评估最新的 TSFM 以及有监督深度学习模型在血糖预测中的表现。我们评估了八种具有代表性的架构，包括预训练 TSFM、时间序列大语言模型和任务特定的深度学习模型，涉及 15 个公开的糖尿病相关数据集，涵盖 1117 名 1 型糖尿病、2 型糖尿病、糖尿病前期以及非糖尿病患者。模型在零样本、少样本和全样本协议下进行评估，并系统性地变化上下文长度和预测区间。跨数据集的结果显示，预训练 TSFM（尤其是 Chronos-2 和 TimesFM）表现出强大的零样本和少样本迁移能力，最优零样本模型的性能与最优全样本有监督模型仅相差 5%。然而，当任务特定数据充足时，轻量级 LSTM 仍保持最强表现，在全样本训练下比 TSFM 高出 4%–21%。分层分析揭示了在 1 型糖尿病队列以及低血糖/高血糖范围内持续存在的挑战，凸显了超越聚合误差指标进行评估的必要性。综合而言，GlucoFM-Bench 为评估、比较和改进血糖预测基础模型提供了标准化且可重复的基础。

## 提交历史

来自：陆白英 [查看邮件 (https://arxiv.org/show-email/10924728/2606.06881)] **\[v1\]** 2026年6月5日星期五 03:49:26 UTC (9,127 KB)

相似文章

用于时间序列预测的仅解码器基础模型

Papers with Code Trending

本文介绍了一篇关于时间序列基础模型（TimeFM）的研究论文，这是一种仅解码器模型，通过借鉴大型语言模型技术，在多样化的时间序列数据集上实现了近乎最佳的零样本性能。

google-research/timesfm

GitHub Trending (daily)

Google Research 发布了 TimesFM 2.5，这是一个开源的时序基础模型，用于预测，拥有2亿参数、16000上下文长度，并支持最多1000步的分位数预测。该模型可在 PyPI 和 Hugging Face 上获取，支持通过 LoRA 进行微调，并集成到 Google 产品如 BigQuery ML、Google Sheets 和 Vertex Model Garden 中。

评估基础模型在时间序列预测中的运行可行性

arXiv cs.LG

本文对基础模型在时间序列预测中的应用进行了评估，与四种操作领域中的监督学习方法进行了比较，并提出了一种复杂性路由器，用于选择性地将序列分配给最优模型类别，以平衡准确性和推理成本。