TSFM-Bench：面向时间序列预测的基础模型全面统一基准
机器学习
2025-06-13 v6
摘要
时间序列预测是诸多领域的关键功能，如金融投资、气象服务和能源管理。尽管日益增多的TSF方法日益强大，但许多方法需要特定领域的数据收集和模型训练，在其他领域难以很好地泛化。基于大规模异构时间序列数据预训练的时间序列基础模型（TSFMs）旨在克服这些限制。其泛化能力的前景推动了下一代TSFMs的发展。本研究提出了基准TSFM-Bench，以促进TSFMs的全面和统一评估。TSFM-Bench涵盖广泛的TSFMs，包括基于大型语言模型的TSFMs以及在时间序列数据上预训练的TSFMs。TSFM-Bench支持多种预测场景，包括零样本、少样本和全样本，使其能够评估整个适应性策略的范围。TSFM-Bench还提供了关键评估过程（如数据集划分、加载、规范化和少样本抽样）的标准化实验协议，促进了一致性和公平性。我们报告了在多个领域且具有不同统计特征的数据集上对TSFMs的广泛评估。具体而言，我们确定了现有TSFMs的优势与不足以及内在局限性，并提出了新的模型设计的潜在方向。
引用
@article{arxiv.2410.11802,
title = {TSFM-Bench: A Comprehensive and Unified Benchmark of Foundation Models for Time Series Forecasting},
author = {Zhe Li and Xiangfei Qiu and Peng Chen and Yihang Wang and Hanyin Cheng and Yang Shu and Jilin Hu and Chenjuan Guo and Aoying Zhou and Christian S. Jensen and Bin Yang},
journal= {arXiv preprint arXiv:2410.11802},
year = {2025}
}