TimeRecipe：基于基准测试模块级有效性的时间序列预测配方
机器学习
2026-03-26 v3
摘要
时间序列预测是具有广泛实际应用场景的关键任务。尽管近期深度学习进展使时间序列预测模型能够实现精准预测，但关于在不同条件下哪些架构和设计组件（如序列分解或归一化）最有效仍存 considerable 争议。现有基准主要在高层次上评估模型，提供有限的解释以为何某些设计更好。为弥合这一差距，我们提出了 TimeRecipe，一个系统性地在模块级别评估时间序列预测方法的统一基准框架。TimeRecipe 进行超过 10,000 项实验，以评估跨多样数据集、预测时域和任务设置下各个组件的有效性。我们的结果表明，彻底探索设计空间可产生超越现有 SOTA 方法的模型，并揭示特定设计选择与预测情景之间的有意义的直觉。此外，我们在 TimeRecipe 中发布了一个实用工具包，基于这些经验性洞见推荐合适的模型架构。该基准已发布于：https://github.com/AdityaLab/TimeRecipe。
引用
@article{arxiv.2506.06482,
title = {TimeRecipe: A Time-Series Forecasting Recipe via Benchmarking Module Level Effectiveness},
author = {Zhiyuan Zhao and Juntong Ni and Shangqing Xu and Haoxin Liu and Wei Jin and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2506.06482},
year = {2026}
}
备注
48 pages, 1 figure, 30 tables