QuitoBench：一个高质量开放时间序列预测基准
机器学习
2026-03-30 v1
摘要
时间序列预测在金融、医疗保健和云计算领域至关重要，但进展受到一个基本瓶颈的制约：大规模高质量基准的稀缺。为填补这一空白，我们引入QuitoBench，一个面向时间序列预测的制度平衡基准，覆盖八种趋势×季节性×可预测性（TSF）制度，旨在捕捉与预测相关的特性而非应用定义的领域标签。该基准建立在Quito之上——一个来自支付宝覆盖九个业务领域的十亿规模时间序列语料库。在232,200个评估实例上对来自深度学习、基础模型和统计基线的10个模型进行基准测试，我们报告了四项关键发现：（i）上下文长度交叉——深度学习模型在短上下文（）下领先，但基础模型在长上下文（）下占主导；（ii）可预测性是主导的难度驱动因素，在各制度间产生3.64倍的MAE差距；（iii）深度学习模型以更少的参数匹配或超越基础模型；（iv）增加训练数据量对两个模型家族均比增加模型规模带来显著更大的收益。这些发现通过强大的跨基准和跨指标一致性得到验证。我们的开源发布使时间序列预测研究中的可复现、制度感知评估成为可能。
引用
@article{arxiv.2603.26017,
title = {QuitoBench: A High-Quality Open Time Series Forecasting Benchmark},
author = {Siqiao Xue and Zhaoyang Zhu and Wei Zhang and Rongyao Cai and Rui Wang and Yixiang Mu and Fan Zhou and Jianguo Li and Peng Di and Hang Yu},
journal= {arXiv preprint arXiv:2603.26017},
year = {2026}
}
备注
project site: https://hq-bench.github.io/quito/