TSGym：深度多变量时间序列预测的设计选择
机器学习
2025-09-23 v1
摘要
最近，深度学习驱动了多变量时间序列预测(MTSF)任务的显著进展。然而，当前MTSF研究倾向于从整体层面评估模型，这掩盖了各个组成部分的贡献，留下了关键问题未被 addressing。遵循当前的建模范式，本文通过系统分解深度MTSF方法的核心细粒度组件，如序列分块标记化、通道独立策略、注意力模块，甚至大型语言模型和时间序列基础模型。通过大量实验和组件级分析，我们的工作比以往通常讨论整个模型的基准测试提供了更深入的见解。此外，我们提出了一种新型自动化解决方案，称为TSGym用于MTSF任务。不同于传统的超参数调优、神经网络结构搜索或固定模型选择，TSGym执行细粒度组件选择和自动化模型构建，这使得能够针对不同时间序列数据创建更有效的解决方案，从而增强了模型在不同数据来源之间的可迁移性和对分布偏移的鲁棒性。广泛的实验表明，TSGym显著优于现有的SOTA MTSF和AutoML方法。所有代码均在https://github.com/SUFE-AILAB/TSGym 上公开。
引用
@article{arxiv.2509.17063,
title = {TSGym: Design Choices for Deep Multivariate Time-Series Forecasting},
author = {Shuang Liang and Chaochuan Hou and Xu Yao and Shiping Wang and Minqi Jiang and Songqiao Han and Hailiang Huang},
journal= {arXiv preprint arXiv:2509.17063},
year = {2025}
}