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
机器学习
2026-05-27 v1
摘要
虽然先前的多变量时间序列预测研究专注于开发复杂的整体模型，但本工作主张转向对其影响的细粒度、组件级理解。我们提出TSCOMP，是首个大规模基准，系统性地将深入预测方法解构为其核心细粒度组件——涵盖序列预处理、编码策略、网络架构包括特定和大时间序列模型，以及优化方法。通过受限正交实验设计和广泛评估，我们进行多视图分析，揭示不同骨干网络、数据特征及其相互作用下各组件的有效性。除提供见解外，此基准建立了一个细粒度性能语料库，包含超过20,000个模型-数据集评估，支持自动化组件选择，使其在新数据集上实现零样�模型构建。我们的实验表明，语料库驱动的方法尽管简单，却始终优于最先进的方法，验证了我们评估设计的合理性，确认系统性组件选择优于手动设计的复杂架构。所有代码和性能语料库均公开于https://github.com/SUFE-AILAB/TSCOMP。
引用
@article{arxiv.2605.26562,
title = {Beyond Holistic Models: Systematic Component-level Benchmarking of Deep Multivariate Time-Series Forecasting},
author = {Shuang Liang and Chaochuan Hou and Xu Yao and Shiping Wang and Hailiang Huang and Songqiao Han and Minqi Jiang},
journal= {arXiv preprint arXiv:2605.26562},
year = {2026}
}
备注
accepted by KDD 2026 Datasets and Benchmarks Track