Cadence: 시계열 파운데이션 모델을 이용한 수요 시계열의 오차 한계 보장 손실 압축

초록

우리는 수치형 시계열을 위한 오차 한계 손실 압축기인 Cadence를 제안한다. Cadence는 330M 파라미터의 시계열 파운데이션 모델(Google TimesFM-3)과 적응형 산술 부호기를 결합하며, 모든 표본에서 |x_t-\hat{x}_t|≤τ를 보장한다. 하나의 부정적 결과가 설계 공간을 제약한다: 무손실 부호화에서 파운데이션 모델은 아무 가치가 없는데, 절약되는 비트 수가 예측기 정확도에 대해 로그적이기 때문이다. Δb=log_2(MAE_{old}/MAE_{new}). 따라서 TimesFM-3가 32탭 선형 예측기보다 갖는 1.51배의 이점은 20.28비트 중 0.60비트를 얻는 데 그치며, 중앙값 이득은 +0.03%이다. 오차 한계 부호화는 한 지점에서 이 제약을 벗어난다: 예측값이 밴드 안에 들어오면 잔차 인덱스가 0이 되어 해당 표본은 거의 비용이 들지 않는다. Cadence의 기여는 다음과 같다: (1) 문맥 모델링된 이진화를 갖춘 적응형 레인지 부호기로, 실제 인덱스에서 xz/zstd를 9.7%(15/15) 능가하고 범용 백엔드의 한 발견을 뒤집는다. (2) 결정성 결과 -- 예측은 배치 크기에 따라 비트 단위로 동일하지 않으며, 어떤 PyTorch 구성으로도 이를 바로잡을 수 없어 그룹 크기와 실행 장치를 컨테이너 형식에 포함하도록 강제한다. 그리고 (3) 그럴듯한 학습 컷오프 이후의 말뭉치에 대한 도메인 국소화. 2026년 EIA-930 밸런싱 기관 수요 시계열 49개에서 Cadence는 여섯 가지 고전적 예측기 중 최고보다 13.3% 이득을 얻고, 2026년 MTA 승객 수 시계열 50개에서는 28.3%를 얻는다: 297개의 시계열-허용오차 쌍에 걸쳐 중앙값 21.4%이며, 297개 모두에서 승리한다. 시계열 데이터베이스가 보존을 위해 도입하는 다운샘플링과 비교할 때, 동일한 크기에서 보장된 최악 오차는 28--56배 더 작다. 엔드투엔드로, 문맥 부트스트랩 비용을 치르고 나면 이득은 6개월치 시간별 데이터에서 6.8%부터 점근적으로 15.1%까지 이른다. SDRBench에서 도메인 주장을 반증하려는 시도에서 이론은 실패를 예측하며 실제로 그렇게 된다: 중앙값 -0.8%, 27개 쌍 중 이득을 보는 쌍은 0개이다. 세 가지 추가 부정적 결과와 여덟 가지 철회된 주장이 상세히 보고된다.

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.