ARIES：深度时间序列预测的关系评估与模型推荐
机器学习
2025-09-09 v1 人工智能
摘要
深度学习模型在时间序列预测方面取得了显著进展。这些模型常利用季节性和非平稳性等基本时间序列属性，这可能暗示模型性能与数据属性之间存在内在联系。然而，现有基准数据集未能提供多样且明确定义的时序模式，限制了对此类联系进行系统评估。此外，缺乏有效的模型推荐方法，导致在不同下游应用中测试不同体系结构需耗费大量时间和成本。为此，我们提出ARIES（Relation Assessment and Model Recommendation for Deep Time Series Forecasting），用于评估时间序列属性与建模策略之间的关系，并为实际时间序列推荐深度预测模型。首先，我们构建包含多种不同模式的合成数据集，设计全面的系统来计算时间序列的属性。随后，对50多种预测模型进行大规模基准测试，建立时间序列属性与建模策略之间的关系。我们的实验结果揭示了明确的相关性。基于这些发现，我们提出首个深度预测模型推荐器，能够为实际时间序列提供可解释建议。总而言之，ARIES是首个建立时间序列数据属性与建模策略关系的研究，同时实现了模型推荐系统。代码已公开：https://github.com/blisky-li/ARIES。
引用
@article{arxiv.2509.06060,
title = {ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting},
author = {Fei Wang and Yujie Li and Zezhi Shao and Chengqing Yu and Yisong Fu and Zhulin An and Yongjun Xu and Xueqi Cheng},
journal= {arXiv preprint arXiv:2509.06060},
year = {2025}
}