TFB:面向全面和公正的时间序列预测方法基准化
使用 BasicTS 基准测试来解决多元时间序列预测中公正对比问题,并通过对丰富的多元时间序列数据集进行详尽的性能和效率比较,为研究人员选择和设计多元时间序列预测模型提供洞见。
Oct, 2023
合成时间序列生成是数据增强、异常检测和隐私保护等各种应用中至关重要的,然而现有方法存在三个限制,而为了克服这些限制,我们引入了一个统一和综合评估 TSG 方法的 TSGBench 基准,它包括三个模块:一系列经过精心筛选的适用于合成时间序列的真实世界数据集和标准化的预处理流程;包括传统评估方法、基于距离的新评估方式和可视化工具在内的一套全面的评估措施;一项具有开创性的领域适应根基的泛化测试,兼容所有方法。我们对来自不同领域的十个真实世界数据集进行了广泛的实验,利用了十种先进的 TSG 方法和十二种评价措施,所有这些通过 TSGBench 进行了评估,结果突显出其显著的功效和一致性,更重要的是,TSGBench 提供了方法排名的统计细分,阐明了不同数据集和评估措施之间的性能变化,并且提供了对每种方法有效性的细致见解。
Sep, 2023
时间序列插补是时间序列分析的重要预处理步骤,然而缺乏标准化和全面的基准平台来评估不同设置下的插补性能,因此我们开发了 TSI-Bench,这是第一个利用深度学习技术来进行时间序列插补评估的综合基准套件,通过标准化实验设置并研究领域适用的缺失率和模式对模型性能的影响,它在不同下游任务中展示了其有效性,有潜力在时间序列插补研究和分析中开启未来方向。
Jun, 2024
为了支持机器学习方法在预测时间序列数据方面的进展,我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化,每个数据集都被分成了训练和测试轨迹,并设定了预定的回溯长度。通过对经典和先进的模型(即 LSTM,DeepAR,NLinear,N-Hits,PatchTST,和 LatentODE)进行广泛的基准分析,我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较,突显了模型效果与数据集有关的特性。值得注意的是,我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能,它们在效果上始终优于其原始版本。
Sep, 2023
通过提出一个可扩展的合成图生成工具,该工具从专有数据集中学习一系列参数模型,可以为研究人员提供研究各种图方法的合成数据,从而实现原型开发和创新应用的目的。
Dec, 2023
本文提供了一个包含不同领域,不同类型的 20 种公开的时间序列数据集的综合时间序列预测归档,并对数据集进行特征分析来鉴别相似之处和不同之处。此外,作者还提供了一组标准基准预测方法的性能分析,以便研究人员使用文献进行算法比较。
May, 2021
深度学习在时间序列预测方面取得了显著进展,其中 Transformer 架构在处理长序列的语义相关性方面表现出色。研究综述了 Transformer 架构及其改进方法在长期时间序列预测任务中的应用,总结了公开的长期时间序列预测数据集和评估指标,并提供了关于在时间序列分析中有效训练 transformers 的最佳实践和技术,最后提出了该领域的潜在研究方向。
Oct, 2023
时间序列预测是许多实际应用中的重要任务,但大部分时间序列预测技术都假设训练数据是没有异常值的。然而,在实践中,由于采集到的时间序列数据可能受到污染,这个假设是不现实的。因此,有必要开发方法从受到污染的数据中自动学习出一个鲁棒的预测模型。本文首先从统计视角定义了三种异常值,然后在这些异常值存在时进行了理论和实验分析损失稳健性和样本稳健性。基于我们的分析,我们提出了一种简单高效的算法来学习鲁棒的预测模型。大量实验证明我们的方法具有很高的稳健性,并且优于现有的所有方法。
Feb, 2024
为了有效地进行时间序列预测,研究人员提出了 ProbTS 工具包,通过整合和比较两个不同分支的方法,揭示了它们的特点、优势、弱点和需要进一步探索的领域,从而为时间序列预测的更有效研究提供了新的方向。
Oct, 2023