从样本、特征与周期视角综述以数据为中心的时间序列分析

无论是对于经典模型还是当今的大语言模型，数据都是利用机器学习方法进行时间序列分析的基础。高质量的时间序列数据集有利于模型的准确率、鲁棒性和收敛性，以及任务结果和成本。以数据为中心的 AI 的出现代表了从模型微调向优先考虑数据质量的范式转变。尽管时间序列数据处理方法在广泛的研究领域中频繁出现，但作为一个特定主题，它尚未得到充分探讨。为了填补这一空白，本文系统综述了时间序列分析中不同的以数据为中心的方法，涵盖了广泛的研究主题。基于时间序列数据在样本、特征和周期方面的特征，我们为所综述的数据选择方法提出了一种分类法。除了针对时间序列数据讨论和总结这些方法的特征、优势和缺点外，我们还通过提出建议、开放问题和可能的研究主题来介绍挑战与机遇。