Объект исследования – стандартные задачи прогнозирования одномерного и многомерного временного ряда. Цель работы – исследование возможностей современных базисных моделей в задаче точечного прогнозирования одномерного и многомерного временного ряда на эталонных наборах данных. Результаты работы: проведены независимые исследования возможностей базисных моделей в задаче прогнозирования одномерного и многомерного временного ряда. Предложены два новых набора данных, сформированные из публичного пакета данных и возможное разделение базисных моделей на категории. Выявлены проблемы при исследовании базисных моделей. Даны рекомендации для проведения новых исследований. / Research object - standard forecasting tasks of univariate and multivariate time series. The aim of the study is to investigate the capabilities of modern foundation models in the task of point forecasting of univariate and multivariate time series on benchmark datasets. Results of the study: independent investigations of the capabilities of foundation models in forecasting univariate and multivariate time series have been conducted. Two new datasets have been proposed, formed from a public dataset package, and a possible categorization of foundation models has been introduced. Issues encountered during the investigation of foundation models have been identified. Recommendations for conducting new research have been provided.

In this work, a comparative analysis of basic models with classical methods was carried out, a conclusion was formed on the possibility of practical application of basic models for forecasting time series. In the first part of the work, a theoretical analysis of the available literature on the topic of the study was carried out, the main features of modern basic models were studied. In the second chapter of the work, a scheme of the experiments was presented. A list of classical forecasting methods used in the study is provided, the process of their automated training using the AutoGluon framework is described. Among the basic models, the following were selected: Chronos, TimeGPT and Lag-Llama. The Chronos model was used only in the mode without examples, and the Time-GPT and Lag-Llama models, in addition, were evaluated after fine-tuning. To conduct the assessment, reference data sets from the Monash Repository were selected. In the third chapter of the work, the obtained results were interpreted and recommendations for the use of basic models in forecasting were formulated. / В данной работе был проведен сравнительный анализ базисных моделей с классическими методами, сформирован вывод о возможности практического применения базисных моделей для прогнозирования временных рядов. В первой части работы был проведен теоретический анализ доступной литературы по теме исследования, изучены основные особенности современных базисных моделей. Во второй главе работы была представлена схема проводившихся экспериментов. Приведен перечень классических методов прогнозирования, используемых в исследовании, описан процесс их автоматизированного обучения с применением фреймворка AutoGluon. Среди базисных моделей были выбраны: Chronos, TimeGPT и Lag-Llama. Модель Chronos использовалась только в режиме без примеров, а модели Time-GPT и Lag-Llama, помимо этого, оценивались после точной настройки. Для проведения оценки были выбраны эталонные наборы данных из Monash Repository. В третьей главе работы была проведена интерпретация полученных результатов, сформулированы рекомендации по использованию базисных моделей в прогнозировании.