超越整体模型：深度多元时间序列预测的系统组件级基准测试

虽然之前的多元时间序列预测研究主要集中在开发复杂的整体模型，但这项工作主张转向对其影响进行细粒度、组件级的理解。我们提出了 TSCOMP，这是第一个大规模基准测试，它将深度预测方法系统地解构为其核心、细粒度组件——跨越序列预处理、编码策略、包括特定和大型时间序列模型的网络架构以及优化方法。使用约束正交实验设计和广泛的评估，我们进行多视图分析，揭示不同骨干网的组件有效性、数据特征及其相互作用。除了提供见解之外，该基准测试还建立了一个包含 20,000 多个模型数据集评估的细粒度性能语料库，支持自动组件选择的学习，从而能够在新数据集上进行零样本模型构建。我们的实验表明，语料库驱动的方法尽管简单，但始终优于最先进的方法，验证了我们评估设计的合理性，并确认系统组件选择优于手动设计的复杂架构。所有代码和性能语料库均可在 https://github.com/SUFE-AILAB/TSCOMP 上公开获取。