Cadence: 時系列基盤モデルを用いた需要時系列の誤差有界非可逆圧縮

要旨

本稿では、数値時系列のための誤差有界非可逆圧縮器 Cadence を提示する。これは 330M パラメータの時系列基盤モデル（Google TimesFM-3）と適応的算術符号器を組み合わせ、各サンプルで |x_t-x_t|≤τ を保証する。ひとつの否定的結果が設計空間を制約する：可逆符号化では基盤モデルは無価値である。なぜなら節約されるビット数は予測器精度に対して対数的であり、Δb=log_2(MAE_{old}/MAE_{new}) だからである。したがって、TimesFM-3 が 32 タップ線形予測器に対して持つ 1.51 倍の優位は、20.28 ビットのうち 0.60 ビットをもたらすにすぎず、中央値利得は +0.03% である。誤差有界符号化は一つの点でこれから逃れる：予測が誤差帯内に収まれば、残差インデックスはゼロとなり、そのサンプルはほぼ無コストになる。Cadence の貢献は次のとおりである：(1) 文脈モデル化二値化を備えた適応的レンジコーダ。実インデックス上で xz/zstd を 9.7%（15/15）上回り、汎用バックエンドからの知見を覆す。(2) 決定性に関する結果——予測はバッチサイズ間でビット同一ではなく、PyTorch のいかなる設定でもこれを修正できず、グループサイズと実行デバイスをコンテナ形式に含めることを余儀なくさせる。(3) あらゆる妥当な学習カットオフ以降のコーパス上でのドメイン局所化。 49 の EIA-930 バランシングオーソリティ需要系列（2026 年）において、Cadence は 6 つの古典的予測器の最良のものに対して 13.3% の利得を得ており、50 の MTA 乗車人数系列（2026 年）では 28.3% である：297 の系列–許容誤差ペアにわたる中央値は 21.4% で、297 組すべてで勝利している。時系列データベースが保持のために導入するダウンサンプリングに対して、同等サイズでその保証される最悪ケース誤差は 28–56 倍厳しい。エンドツーエンドでは、コンテキストブートストラップのコストを支払えば、利得は 6 か月分の毎時データにおける 6.8% から漸近的に 15.1% に及ぶ。SDRBench 上でドメイン主張を反証しようとすると、理論は失敗を予測し、実際にそのとおりになる：中央値 -0.8%、27 組中 0 組が利得。さらに 3 件の否定的結果と 8 件の撤回された主張を詳細に報告する。

English

We present Cadence, an error-bounded lossy compressor for numeric time series pairing a 330M-parameter time-series foundation model (Google TimesFM-3) with an adaptive arithmetic coder, guaranteeing |x_t-x_t|leτ on every sample. One negative result constrains the design space: for lossless coding a foundation model is worth nothing, because bits saved are logarithmic in predictor accuracy, Δb=log_2(MAE_{old}/MAE_{new}). So the 1.51times advantage TimesFM-3 holds over a 32-tap linear predictor buys 0.60 bits of 20.28, a median gain of +0.03%. Error-bounded coding escapes this at one point: once a forecast lands inside the band the residual index is zero and the sample nearly free. Cadence contributes: (1) an adaptive range coder with context-modelled binarization, beating xz/zstd on real indices by 9.7% (15/15) and reversing a finding from a general-purpose back end; (2) a determinism result -- predictions are not bit-identical across batch sizes, and no PyTorch configuration repairs this, forcing group size and execution device into the container format; and (3) domain localization on corpora postdating any plausible training cutoff. On 49 EIA-930 balancing-authority demand series (2026) Cadence gains 13.3% over the best of six classical predictors, and 28.3% on 50 MTA ridership series (2026): 21.4% median over 297 series-tolerance pairs, winning all 297. Against downsampling, what time-series databases deploy for retention, its guaranteed worst-case error is 28--56times tighter at equal size. End-to-end, once the context bootstrap is paid for, gains run from 6.8% at six months of hourly data to 15.1% asymptotically. Attempting to falsify the domain claim on SDRBench, theory predicts failure and delivers: -0.8% median, 0 of 27 pairs gaining. Three further negative results and eight retracted claims are reported in full.