QuAnTS：时间序列上的问答
机器学习
2025-11-10 v1
摘要
文本提供了直观的信息获取方式。这在补充数值时间序列的密度方面尤为有用，从而允许更灵活地与时间序列模型进行交互，以提升可访问性和决策能力。尽管最近在问答数据集和模型方面取得了显著进展，但大多数研究集中于视觉和文本上的问答，而时间序列的关注则有限。为弥合这一差距，我们提出了一个具有挑战性的新型时间序列问答 (TSQA) 数据集 QuAnTS，用于问答时间序列数据。具体而言，我们以跟踪的人体运动骨架轨迹形式提出各种问题和答案。通过大量实验，我们验证了大规模 QuAnTS 数据集的结构完整性和全面性。对现有和新提出的基线方法进行彻底评估后，为更深入地探索 TSQA 奠定了基础。此外，我们提供人类表现作为衡量此类模型实际可用性的关键参考。我们希望鼓励未来研究通过文本与时间序列模型进行交互，从而实现更好的决策和更透明的系统。
引用
@article{arxiv.2511.05124,
title = {QuAnTS: Question Answering on Time Series},
author = {Felix Divo and Maurice Kraus and Anh Q. Nguyen and Hao Xue and Imran Razzak and Flora D. Salim and Kristian Kersting and Devendra Singh Dhami},
journal= {arXiv preprint arXiv:2511.05124},
year = {2025}
}