TimeRouter: Efficient and Adaptive Routing of Time-Series Foundation Models

📄 arXiv: 2606.11625v1 📥 PDF

作者: Kanghui Ning, Yushan Jiang, Kashif Rasul, Anderson Schneider, Yuriy Nevmyvaka, Dongjin Song

分类: cs.LG

发布日期: 2026-06-10

🔗 代码/项目: GITHUB

💡 一句话要点

提出TimeRouter以解决时间序列模型专家选择问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列模型 专家选择 轻量级路由 自适应系统 预测精度

📋 核心要点

  1. 核心问题：现有时间序列模型在不同预测场景中表现不均，专家选择成为关键挑战。
  2. 方法要点：TimeRouter通过轻量级判别路由和选择性门控实现自适应专家选择，避免了LLM的推理开销。
  3. 实验或效果：TimeRouter在GIFT-EVAL排行榜上取得了0.6765的LB MASE，展现出优越的性能。

📝 摘要（中文）

时间序列基础模型（TSFMs）在新兴的时间序列系统中作为预测专家受到越来越多的关注。然而，TSFMs表现出异质的归纳偏差，没有单一模型在所有预测场景中始终占优，这使得专家选择成为一个关键挑战。现有系统通常将此决策委托给基于大型语言模型（LLM）的控制器，导致显著的推理开销。我们提出了TimeRouter，一个高效的路由框架，通过轻量级的判别路由、选择性门控和集成回退，利用预训练TSFMs之间的经验互补。TimeRouter结合了学习的路由头、选择性门控和集成回退，实现了自适应专家选择，而无需在推理时调用LLM。TimeRouter在GIFT-EVAL排行榜上取得了0.6765的LB MASE的最佳性能。我们的消融研究提供了对TSFM路由设计的经验性见解，强调了池组成和选择性门控的重要性。

🔬 方法详解

问题定义：本文旨在解决时间序列基础模型（TSFMs）在不同预测场景中的专家选择问题。现有方法依赖于大型语言模型（LLM）进行决策，导致推理过程中的显著开销，且无法有效利用不同模型的互补性。

核心思路：TimeRouter的核心思路是通过轻量级的判别路由和选择性门控来实现高效的专家选择。该方法利用预训练TSFMs之间的经验互补性，避免了在推理时调用LLM，从而降低了计算开销。

技术框架：TimeRouter的整体架构包括三个主要模块：学习的路由头、选择性门控和集成回退。学习的路由头负责根据输入数据选择合适的TSFM，选择性门控则决定是否激活特定模型，而集成回退则在必要时提供额外的模型支持。

关键创新：TimeRouter的主要创新在于其轻量级的判别路由机制和选择性门控设计。这与现有方法的本质区别在于，TimeRouter不依赖于LLM进行推理决策，从而显著提高了效率。

关键设计：在设计中，TimeRouter采用了特定的损失函数来优化路由头的学习过程，并通过实验确定了最佳的池组成和门控策略，以提升模型的整体性能。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

TimeRouter在GIFT-EVAL排行榜上取得了0.6765的LB MASE，展现出优于现有方法的性能。通过消融研究，验证了池组成和选择性门控对模型性能的重要性，为未来的研究提供了实证依据。

🎯 应用场景

TimeRouter的研究成果具有广泛的应用潜力，尤其是在金融预测、气象预报和智能制造等领域。通过高效的专家选择机制，TimeRouter能够在实时决策中提供更准确的预测，进而提升系统的智能化水平和响应速度。未来，TimeRouter有望成为构建基于基础模型池的智能时间序列系统的关键组件。

📄 摘要（原文）

Time-series foundation models (TSFMs) are increasingly explored as predictive experts within emerging agentic time-series systems. However, TSFMs exhibit heterogeneous inductive biases, and no single model consistently dominates across forecasting regimes, making expert selection a critical challenge. Existing systems often delegate this decision to LLM-based controllers, incurring substantial inference overhead. We present TimeRouter, an efficient routing framework that leverages empirical complementarity across a pool of pretrained TSFMs through lightweight discriminative routing, selective gating, and ensemble fallback. Concretely, TimeRouter combines a learned routing head, a selective gate, and an ensemble fallback, enabling adaptive expert selection without invoking an LLM at inference time. TimeRouter achieves state-of-the-art performance on the GIFT-EVAL leaderboard, with an LB MASE of 0.6765. Beyond benchmark performance, our ablation studies provide empirical insights into TSFM routing design, highlighting the importance of pool composition and selective gating. Taken together, these results position TimeRouter as a modular and lightweight routing layer for future agentic time-series systems built upon foundation-model pools. Our code is available at https://github.com/UConn-DSIS/TimeRouter.