时间序列预测模型基准评测：从统计技术到基础模型在真实世界应用中的表现
机器学习
2025-02-06 v1 人工智能
摘要
时间序列预测对于酒店业的运营智能至关重要，尤其在大规模分布式系统中极具挑战性。本研究利用来自德国数千家餐厅网络的真实数据，评估了统计、机器学习、深度学习以及基础模型在预测未来14天每小时销售额方面的性能。该预测方案纳入了天气状况、日历事件和时段模式等特征。结果证明了基于机器学习的元模型的强大性能，并凸显了如Chronos和TimesFM等基础模型的新兴潜力，这些模型仅利用预训练模型（零样本推理），以最少的特征工程即可提供有竞争力的性能。此外，一种混合PySpark-Pandas方法被证明是在大规模部署中实现水平可扩展性的稳健解决方案。
引用
@article{arxiv.2502.03395,
title = {Benchmarking Time Series Forecasting Models: From Statistical Techniques to Foundation Models in Real-World Applications},
author = {Issar Arab and Rodrigo Benitez},
journal= {arXiv preprint arXiv:2502.03395},
year = {2025}
}