Time-MMD：用于时间序列分析的多领域多模态数据集
机器学习
2025-01-27 v4 计算与语言
摘要
时间序列数据在广泛的现实世界领域中无处不在。虽然现实世界的时间序列分析（TSA）需要人类专家将数值序列数据与多模态领域特定知识相结合，但大多数现有的TSA模型仅依赖数值数据，忽视了数值序列之外信息的重要性。这种忽视是由于文本序列数据的潜力未被开发，以及缺乏全面、高质量的多模态数据集。为了克服这一障碍，我们引入了Time-MMD，这是第一个覆盖9个主要数据领域的多领域、多模态时间序列数据集。Time-MMD确保了细粒度的模态对齐，消除了数据污染，并提供了高可用性。此外，我们开发了MM-TSFlib，这是首个多模态时间序列预测（TSF）库，它无缝地基于Time-MMD进行多模态TSF评估，以进行深入分析。通过MM-TSFlib在Time-MMD上进行的大量实验表明，将单模态TSF扩展到多模态可带来显著的性能提升，总体上均方误差减少超过15%，在文本数据丰富的领域减少高达40%。更重要的是，我们的数据集和库革新了更广泛的应用、影响和研究主题，以推动TSA的发展。该数据集可在https://github.com/AdityaLab/Time-MMD获取。
引用
@article{arxiv.2406.08627,
title = {Time-MMD: Multi-Domain Multimodal Dataset for Time Series Analysis},
author = {Haoxin Liu and Shangqing Xu and Zhiyuan Zhao and Lingkai Kong and Harshavardhan Kamarthi and Aditya B. Sasanur and Megha Sharma and Jiaming Cui and Qingsong Wen and Chao Zhang and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2406.08627},
year = {2025}
}
备注
Accepted by NeurIPS 2024 Datasets and Benchmarks Track