# 多変量時系列予測 ## 定義 多変量時系列予測(multivariate time series forecasting / cross-variate modeling)は、複数の変量(チャネル)が共進化する時系列を、変量間の依存関係を活用して同時に予測するタスク。単変量予測が各系列を自身の履歴のみから外挿するのに対し、実システムに遍在する変量間の相乗的・拮抗的な相互作用を捉えることを狙う。[[時系列基盤モデル]](TSFM)の文脈では、可変な変量数を単一の事前学習モデルで扱えることが要件になる。([[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]]) ## 横断的知見 - TSFM の cross-variate 実現方式は段階的に分化している: Moirai 1.0=系列の flatten/concat、[[Toto]]=proportional factorized space-time attention(time:variate≒11:1 の固定比)、[[Chronos-2]]=group attention(group mixing)、[[Falcon-X]]=latent prototype routing。Falcon-X はこのうち flatten/factorized/group をまとめて「生の変量空間での相互作用」と捉え、異種物理量の意味的なアライメント機構の欠如と関係表現力の不足を批判する。(Source: [[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]], [[@2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]]) - 標準の softmax attention はスコアが非負([0,1])のため拮抗的(負相関)な依存を明示できない。Falcon-X は Differential Transformer の差分機構を転用し正負の prototype Kpos/Kneg で符号付きの依存を表現する。Toto・Chronos-2 を含む既存手法はこの「負の依存」を構造的に持たない(Falcon-X 表1)。(Source: [[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]]) - 観測・運用系(observability/CloudOps)の多変量は高次元になりやすい。[[BOOM]] は系列あたり変量数の中央値が 60、Falcon-X が評価に使う [[fev-bench]] の BOOMLET 系列も変量数 21〜100。両ソースとも cloud/運用テレメトリの高次元多変量を主要な対象として重視する点が一致する。(Source: [[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]], [[@2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]]) - 評価基盤は GIFT-Eval を共通軸に収斂しつつある。Datadog が公開した観測特化のベンチマーク [[BOOM]] は、その部分集合 BOOMLET として他者の [[fev-bench]] に組み込まれ、第三者モデル(Falcon-X)の多変量評価に使われ始めている。(Source: [[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]], [[@2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]]) - **「多変量対応」の分類基準がソース間で食い違う**: TSFM サーベイ [[@2025__arXiv__Foundation Models for Time Series - A Survey]] は out of the box の多変量対応で 15 モデルを二分し、AutoTimes・Time-LLM・FPT を「各チャネルを独立処理する(channel independence)」ことで多変量対応とカウントする。一方 [[Falcon-X]] はまさにこの channel independence を「cross-variate 相互作用が単変量的に退化する」として真の多変量モデリングから除外する。同じモデルが「多変量対応(サーベイ)」と「変量間モデリング不在(Falcon-X)」に分かれうる——多変量 TSFM を評価するときは「複数系列を入力できる」のか「変量間依存を学習する」のかを区別する必要がある。(Source: [[@2025__arXiv__Foundation Models for Time Series - A Survey]], [[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]]) - **初期 TSFM は単変量が多く、多変量対応は後発・MoE 系・LLM 適応系に偏る**: サーベイの分類では TimeGPT・Chronos(初代)・Lag-Llama・TimesFM・MOMENT・Timer が単変量、Time-MOE([[Mixture-of-Experts]])・Timer-XL・[[Toto]]・MOIRAI・AutoTimes・Time-LLM・TTM が両対応。vault が個別に追ってきた多変量 TSFM([[Toto]]/[[Chronos-2]]/[[Falcon-X]])はいずれも 2024 年後半以降で、多変量化が TSFM の比較的新しい主戦場であることが時系列的にも裏づけられる。(Source: [[@2025__arXiv__Foundation Models for Time Series - A Survey]], [[@2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]]) - **PromptCast による多変量の「分割テンプレート」アプローチ**: [[@2022__arXiv__PromptCast - A New Prompt-based Learning Paradigm for Time Series Forecasting]] は多変量 PromptCast の pilot study で Prompt C(各変量を独立した質問として分割)が Prompt A/B(全変量を 1 文に混在)を一貫して上回ることを示した。これは Falcon-X が批判する「channel independence = 変量間情報喪失」のトレードオフを、プロンプト設計の文脈で異なる角度から裏付ける。(Source: [[@2022__arXiv__PromptCast - A New Prompt-based Learning Paradigm for Time Series Forecasting]]) - **Chronos-2 の group attention は多変量の「意味的崩壊」批判(Falcon-X)と共変量付き ICL 効果(Chronos-2 一次出典)の間に矛盾がある**: [[Falcon-X]] は group attention の有無で GIFT-Eval 性能がほぼ変わらないことを示し「raw-space の変量混合が意味的崩壊を引き起こす」と批判する。一方 [[Chronos-2]] の一次出典([[@2025__arXiv__Chronos-2 - From Univariate to Universal Forecasting]])は fev-bench の共変量付き 42 タスクで ICL 有無の差(Skill Score 39.9→47.0)を示す。両者の評価タスクが異なる点に注意が必要で、Falcon-X の批判は**多変量ターゲット予測**でのゲイン不在を指摘し、Chronos-2 の利得は**将来既知共変量**という非対称情報の活用から来る。多変量ターゲット予測での group attention のゲイン不在はむしろ Takens 定理で解釈され、「raw-space 混合の限界」とは異なる理由を持つ。 > [!contradiction] Falcon-X(group attention の意味的崩壊批判)と Chronos-2(共変量付き ICL の大幅ゲイン)が矛盾するように見えるが、批判対象のタスクが異なる(多変量ターゲット予測 vs 共変量付き予測)。同条件での比較が未実施のため決着は未定。 (Source: [[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]], [[@2025__arXiv__Chronos-2 - From Univariate to Universal Forecasting]]) - **Multivariatizer という合成多変量データ生成が実世界データ不要で多変量 ICL を付与した**: [[Chronos-2]] は実世界の多変量データをほぼ使わず、Cotemporaneous Multivariatizer(瞬時線形/非線形変換)と Sequential Multivariatizer(リードラグ・共和分)の 2 種の合成器で単変量生成器(AR・ETS・TSI・KernelSynth)の出力に依存構造を付加する。これは「多変量事前学習データの不足」という TSFM の構造的課題を正面から回避する最初の本格的手法。[[Falcon-X]] も大量の実世界多変量データ(cloud trace 等)を事前学習に使う路線と対照的で、「合成データで ICL を付与する」vs「実データで表現を学ぶ」という多変量化の 2 路線が出現した。(Source: [[@2025__arXiv__Chronos-2 - From Univariate to Universal Forecasting]], [[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]]) ## 未解決の問い - 「生空間での mixing は cross-variate 相互作用が単変量的に退化する(semantic collapse)」という Falcon-X の主張は、直接の検証が [[Chronos-2]] の group attention に対してのみ行われている。[[Toto]] の factorized attention や Moirai の flatten でも同じ退化が起きるのかは未検証。 - latent prototype routing は高次元の観測多変量(BOOM 級、変量数 60 以上)で実際に利得を出すか。Falcon-X の cloud ドメイン評価は BOOMLET・Redset 等を含むが、観測ドメイン単独での分解結果は未報告。 - cross-variate モデリングの予測精度向上は、下流の SRE タスク([[異常検知]]・[[障害予測]]・キャパシティプランニング)にどの程度伝播するか。両ソースとも予測精度のみを評価。 - 変量順序のシャッフル(permutation invariance)が内容駆動の依存学習に重要との知見(Falcon-X のアブレーション、Xu+ 2026)は、どの cross-variate 方式でも一般に成り立つのか。 - サーベイが「多変量対応」とする channel-independent モデル(AutoTimes/Time-LLM/FPT)は、真の cross-variate 機構を持つモデル([[Falcon-X]] の prototype routing・[[Chronos-2]] の group attention)と下流性能でどれだけ差がつくか。分類上は同じ「多変量」でも機構が異なり、同条件比較がない。 - Chronos-2 の合成データ(Multivariatizer)で付与された多変量 ICL 能力は、実世界の複雑な依存(非線形・長距離・スパース・ノイズ混入)を持つ多変量系列でどこまで一般化するか。BOOMLET や Redset(Chronos-2 が評価した fev-bench の構成データ)以外の観測テレメトリドメインでは未検証。 - Group Attention を「任意のグループ内で情報共有する汎用 ICL 機構」として捉えたとき、グループ定義を「時系列リスト以外の情報源(テキストメタデータ・グラフ隣接・時刻情報)」へ拡張できるか。Chronos-2 はテキストや密な埋め込みによるグループ形成(検索拡張予測)を将来方向として言及するが未実装。([[@2025__arXiv__Chronos-2 - From Univariate to Universal Forecasting]]) ## 関連 - 概念: [[時系列基盤モデル]] / [[Mixture-of-Experts]] - エンティティ: [[Falcon-X]] / [[Chronos-2]] / [[Toto]] / [[TimesFM]] / [[GIFT-Eval]] / [[fev-bench]] / [[BOOM]] / [[Dell Technologies]] - ソース: [[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]] / [[@2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]] / [[@2025__arXiv__Foundation Models for Time Series - A Survey]] - 関連 MOC: [[時系列基盤モデル - MOC]] ## 出典 - [[@2025__arXiv__Chronos-2 - From Univariate to Universal Forecasting]](group attention + Multivariatizer、$O(V)$ スケーリング、共変量付き ICL 効果) - [[@2026__arXiv__Falcon-X - A Time Series Foundation Model for Heterogeneous Multivariate Modeling]] - [[@2025__NeurIPS2025__This Time is Different - An Observability Perspective on Time Series Foundation Models]] - [[@2025__arXiv__Foundation Models for Time Series - A Survey]](§3.2.4/§4.4: 単変量/多変量の分類) - [[@2022__arXiv__PromptCast - A New Prompt-based Learning Paradigm for Time Series Forecasting]](§IV-I: 多変量 PromptCast pilot)