论文页面 - 超越整体模型：深度多变量时间序列预测的系统性组件级基准测试

来源：https://huggingface.co/papers/2605.26562

摘要

一项大规模基准测试系统性地将深度预测方法分解为细粒度组件，从而实现自动化模型选择并超越复杂架构。

以往关于多变量时间序列预测（https://huggingface.co/papers?q=multivariate%20time%20series%20forecasting）的研究主要集中在开发复杂的整体模型上，而本文主张转向对组件级影响（https://huggingface.co/papers?q=component-level%20understanding）进行颗粒化的理解。我们提出了TSCOMP，这是首个大规模基准测试，系统性地将深度预测方法（https://huggingface.co/papers?q=deep%20forecasting%20methods）拆解为其核心的细粒度组件（https://huggingface.co/papers?q=fine-grained%20components）——涵盖序列预处理（https://huggingface.co/papers?q=series%20preprocessing）、编码策略（https://huggingface.co/papers?q=encoding%20strategies）、网络架构（https://huggingface.co/papers?q=network%20architectures）（包括特定和大型时间序列模型（https://huggingface.co/papers?q=time-series%20models））以及优化方法（https://huggingface.co/papers?q=optimization%20methods）。采用受限正交实验设计（https://huggingface.co/papers?q=constrained%20orthogonal%20experimental%20design）和广泛评估，我们进行了多视角分析（https://huggingface.co/papers?q=multi-view%20analyses），揭示了不同骨干网络、数据特征及其交互下组件的有效性。除了提供洞见之外，该基准测试还构建了一个包含20,000多个模型-数据集评估的细粒度性能语料库，支持学习自动化组件选择（https://huggingface.co/papers?q=automated%20component%20selection），从而能够在新的数据集上进行零样本模型构建（https://huggingface.co/papers?q=zero-shot%20model%20construction）。我们的实验表明，尽管方法简单，但这种基于语料库的方法始终优于最先进的方法，验证了我们评估设计的合理性，并证实系统性的组件选择超越了手动设计的复杂架构。所有代码和性能语料库公开发布于 https://github.com/SUFE-AILAB/TSCOMP。

查看 arXiv 页面（https://arxiv.org/abs/2605.26562）查看 PDF（https://arxiv.org/pdf/2605.26562）GitHub17（https://github.com/SUFE-AILAB/TSCOMP）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.26562）

在你的智能体中获取这篇论文：

hf papers read 2605\.26562

没有安装最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型0

无模型链接至该论文

在模型 README.md 中引用 arxiv.org/abs/2605.26562 以从此页面链接。

引用该论文的数据集0

无数据集链接至该论文

在数据集 README.md 中引用 arxiv.org/abs/2605.26562 以从此页面链接。

引用该论文的 Space0

无 Space 链接至该论文

在 Space README.md 中引用 arxiv.org/abs/2605.26562 以从此页面链接。

包含该论文的收藏集0

无收藏集包含该论文

将此论文添加到一个收藏集（https://huggingface.co/new-collection）以从此页面链接。