我们提出 ICI-Time，一个将时间序列预测重新表述为视觉填充任务的全新框架。该框架利用大规模视觉模型（LVM）的泛化能力，将传统的序列预测问题转化为图像模式补全。
核心思路是将原始数值序列映射为结构化的面积图，并在网格化的提示中嵌入已知历史数据。预训练的视觉 Transformer 能在无需微调或架构改动的情况下，通过在提示网格中完成缺失区域的填充，实现对未来数值的预测。
时序依赖通过空间布局得以表达：时间轴对应水平位置，数值幅度对应垂直高度，映射过程是可逆的，保证数值域与视觉域之间的一一对应关系。
我们在流行病学、气象学和电力系统三个领域开展了大量实验。结果表明，ICI-Time 在多数指标上能够与主流深度学习基线竞争，并在数据稀缺的场景下展现出更强的适应能力。
该工作开辟了时间序列与视觉域之间的桥梁，为预测任务提供了全新的跨模态视角。
博主点评：ICI-Time 的创新在于把时间序列看作图像进行处理，利用视觉模型的强大特征学习能力，省去了专门的时序网络设计，值得进一步探索其在更多实际场景中的潜力。