通道依赖性、有限回溯窗口与数据集的简单性：长期时间序列预测的偏差如何？
机器学习
2026-02-19 v3
摘要
在长期时间序列预测 (LTSF) 中，回溯窗口是关键超参数，常被任意设定，削弱了模型评估的有效性。我们认为，回溯窗口必须针对每个任务进行调优，以确保公平比较。我们的实证结果表明，未进行此操作会颠覆性能排名，尤其是在单变量与多变量方法之间。标准基准实验将通道无关 (CI) 模型（如 PatchTST）定位为最先进的方法。然而，我们揭示这种优越性能主要源于弱的通道间相关性和这些特定数据集中模式的简单性。通过格兰杰因果分析和 ODE 数据集（具有隐式通道相关性），我们表明多变量通道依赖 (CD) 模型的真实优势在于处理具有强内在跨通道依赖关系的数据集时显现，此时它们显著超越 CI 模型。我们得出四项关键建议以改进时间序列预测研究：(i) 将回溯窗口视为需调优的关键超参数；(ii) 对于标准数据集，检查 CI 架构具有优势；(iii) 利用数据集的统计分析指导 CI 与 CD 架构之间的选择；(iv) 在数据有限的场景下优先使用 CD 模型。
引用
@article{arxiv.2502.09683,
title = {Channel Dependence, Limited Lookback Windows, and the Simplicity of Datasets: How Biased is Time Series Forecasting?},
author = {Ibram Abdelmalak and Kiran Madhusudhanan and Jungmin Choi and Christian Kloetergens and Vijaya Krishna Yalavarit and Maximilian Stubbemann and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2502.09683},
year = {2026}
}