# 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(channel)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。univariate 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 を一括して「raw variate 空間での相互作用」と捉え、異種物理量の意味的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 は非負(スコアが [0,1])のため拮抗的(負相関)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 prototype Kpos/Kneg で signed dependence 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 Table 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 variate 中央値 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 benchmark [[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]]) ## 未解決の問い - 「raw-space mixing は cross-variate 相互作用が univariate 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 は高次元観測多変量(BOOM 級、variate 60+)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 content-driven な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。 ## 関連 - 概念: [[時系列基盤モデル]] - エンティティ: [[Falcon-X]] / [[Chronos-2]] / [[Toto]] / [[GIFT-Eval]] / [[fev-bench]] / [[BOOM]] - 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]] - 関連 MOC: [[時系列基盤モデル - MOC]] ## 出典 - [[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]]