华人团队开源新模型U-Cast，像「放大镜+过滤器」一样，从上万条时间序列里秒抓关键层级，预测更快更准；同步发布十领域真实大数据集Time-HD，供全球研究者免费练手，推动高维时序预测进入「ImageNet时刻」。
从金融市场的上千支股票，到智慧城市交通网络的上万个传感器，我们正全面进入一个由高维时间序列数据驱动的时代。
然而，当前主流的时间序列预测（TSF）模型，大多仍停留在仅包含几个或几百个变量的低维环境中进行评估（Table 1）。
当面对成千上万个变量构成的高维复杂系统时（Time-HD），则往往在效率与性能上表现出明显的局限性。
此外，大规模数据集已被证明是多个研究领域取得突破的关键支撑。
例如，CV中的ImageNet、MS COCO，NLP中的GLUE、SQuAD，以及Graph中的OGB，都在推动相应领域的发展中发挥了决定性作用。
然而，在时序预测领域，始终缺乏同类的大规模基准，这使得研究进展受到制约。
进一步地，高维环境才能真正释放通道依赖型模型的价值。
而在现有的低维数据集上，通道依赖型（Channel-Dependent, CD）模型相较通道独立型（Channel-Independent, CI）模型并未表现出稳定且显著的优势。
这一现象容易引发怀疑，即显式建模通道间关系是否真的有效？
之前有研究提出是维度数量本身限制了CD方法潜在优势的发挥。
通过理论分析（Theorem 1 and 2），他们证明了在高维环境下，当存在非冗余变量时，CD模型的贝叶斯风险（Bayes risk）始终低于CI模型，且这一优势会随着维度增加而不断扩大。