Sibyl: 预测时间演化的查询工作负载
内容提要
该文汇总多项机器学习研究，涵盖医疗决策可解释工具SIBILA、SQL查询资源预测与调度优化、放宽NLP标签约束的sibylvariance方法、长期时间序列预测数据集构建与多模型基准评测、基于大语言模型的时间知识图谱预测、改进检索的编码器-解码器框架、利用语言模型挖掘时间序列模式预测人流、检测智能电网网络攻击的EE-BiLSTM、预测云资源需求的贝叶斯深度学习，以及同时预测并填补缺失值的端到端模型。
延伸解读
从工具到方法：时间预测的多路径探索
文章汇总的研究并非围绕单一模型，而是覆盖了从医疗决策工具SIBILA、SQL查询资源预测，到时间序列基准、时间知识图谱预测等多个方向。这显示时间相关预测问题在不同领域有各自的技术路径：有的侧重可解释性，有的侧重调度优化，有的侧重标签约束放宽。读者可据此理解，时间预测没有通用解法，需结合具体场景选择方法。
基准评测揭示模型效果依赖数据集特性
在长期时间序列预测部分，作者对LSTM、DeepAR、NLinear、N-Hits、PatchTST和LatentODE进行了基准分析，发现模型性能比较与数据集有关，没有单一模型在所有场景中占优。值得注意的是，定制的latent NLinear模型和经过课程学习改进的DeepAR始终优于原始版本，说明针对数据特性做适配可能比直接套用现成模型更有效。
大语言模型在时间预测中的潜力与边界
文章提到，利用大型语言模型和上下文学习进行时间知识图谱预测时，无需显式捕获结构和时态信息，表现即可与专门设计的先进模型相当；使用数值索引替代实体/关系名称也能达到接近相同的性能。此外，上下文学习能帮助模型学习历史上不规律的模式，从而超越基于常见或最新信息的简单预测。这提示LLM在时间预测中可能降低对特征工程的依赖，但其效果仍受输入表示方式影响。
缺失值与不确定性：预测之外的关键问题
文章收录了针对缺失值时间序列的端到端模型，可同时实现预测与缺失值融合，综合性能优于现有方法；另有研究使用贝叶斯深度学习预测云资源需求的分布和不确定性，并检验迁移学习与真实环境可部署性。这两项工作提醒读者，实际时间序列预测不仅关注点预测精度，还需处理数据缺失和量化不确定性，否则结论可能不够稳健。
Q&A
SIBILA 是什么工具，它有什么用途？
SIBILA 是一个基于可解释机器学习的软件工具，旨在帮助医生进行个性化医学决策，并通过三个病例研究验证了其在分类和回归问题上的准确性和有效性。
如何预测 SQL 查询的资源使用并优化调度？
可以使用机器学习技术来预测 SQL 查询的资源使用，该服务能帮助改善查询调度，解决 SQL 引擎集群中不平衡的 OLAP 工作负载问题。
sibylvariance 是什么，它在 NLP 中有什么作用？
sibylvariance 是 NLP 中放宽标签约束的转换概念，包括 Transmutations 和 Mixture Mutations。实验验证发现，sibylvariances 在数据处理、缺陷检测和敌对鲁棒性等方面表现出了更好的普适性和效果。
长期时间序列预测有哪些常用模型，哪个效果最好？
常用模型包括 LSTM、DeepAR、NLinear、N-Hits、PatchTST 和 LatentODE。基准分析表明，模型效果与数据集有关，没有绝对最好的模型；但定制的 latent NLinear 模型和通过课程学习阶段改进的 DeepAR 始终优于其原始版本。
大型语言模型能用于时间知识图谱预测吗？效果如何？
可以。利用大型语言模型和上下文学习技术进行时间知识图谱预测，无需显式捕获结构和时态信息，其表现与最先进的 TKG 模型相当。使用数值索引而非实体/关系名称也能达到接近相同的性能，且上下文学习能帮助 LLMs 学习历史上不规律的模式，超越基于共同或最新信息的简单预测。
如何利用语言模型进行人类移动预测？
提出了一种基于语言基础模型的时间序列模式挖掘流程，通过引入特定提示将数值时间序列转换为句子，直接应用于现有语言模型。设计了 AuxMobLCast 流程预测每个 POI 的访客数量，结合辅助 POI 分类和编码器-解码器架构，在三个真实数据集上评估表现良好。
