时间序列基础模型的个性化联邦稀疏适配

时间序列基础模型（TSFM）的联邦适配对于构建能源预测系统很有吸引力，因为电表数据具有隐私性、分布式特征以及高度非独立同分布（non-IID）特性。然而，单一的参数共享策略不太可能适用于所有预训练 TSFM 或建筑客户端：完全共享的适配器可能会抑制建筑特有的时间行为，而完全本地化的适配则会丢失跨建筑迁移能力。我们提出了一种个性化联邦稀疏适配框架，在预训练 TSFM 表征之后加入异构时间混合专家（MoE）适配器。序列级路由器将每个 168 小时的上下文窗口映射到 top-$k$ 个专家子集，这些专家分别专注于周期性、长程交互、局部变化、趋势-残差结构和多分辨率行为。我们比较了全局 FL、本地训练，以及采用全局共享或客户端私有专家库的个性化 FL 变体。在 50 栋建筑和三种 TSFM 主干模型上，个性化方法始终优于 Global FL-MoE 和 Local MoE；与此同时，表现最佳的稀疏适配策略会因主干模型和评价指标而异。路由行为进一步揭示了客户端级别的专家专门化、专家集中度以及不同主干模型之间近乎均匀的路由分布，表明联邦 TSFM 适配应同时考虑客户端特征和主干模型特征。