HoTPP基准：我们在长期事件预测方面真的很好吗？
机器学习
2025-08-05 v4
摘要
预测给定时间范围内多个未来事件对于金融、零售、社交网络和医疗保健等领域的应用至关重要。标记时间点过程（Marked Temporal Point Processes, MTPP）提供了一个原则性的框架来建模事件的 Timing 和标签。然而，大多数现有研究只关注预测下一个事件，长期预测基本未被探讨。为此，我们引入HoTPP——第一个专门设计用于严格评估长期预测的基准测试。我们指出了广泛使用的评估指标存在的问题，提出了一个在理论上得到良好依托的T-mAP指标，展示了强大的统计基线方法，并提供了流行模型的高效实现。我们的实证结果表明，现代MTPP方法往往表现不佳，甚至不如简单的统计基线。此外，我们分析了预测序列的多样性，发现大多数方法都表现出模式坍缩。最后，我们分析了自回归和基于强度的损失对预测质量的影响，并勾勒出未来研究的有前景的方向。HoTPP的源码、超参数和完整评估结果已在GitHub上提供。
引用
@article{arxiv.2406.14341,
title = {HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting?},
author = {Ivan Karpukhin and Foma Shipilov and Andrey Savchenko},
journal= {arXiv preprint arXiv:2406.14341},
year = {2025}
}