重新思考多模式时间序列预测评估

我们引入了一种新的上下文丰富的多模式时间序列预测基准 TimesX。 TimesX 包含从自动数据生成管道获得的具有不同领域和文本上下文的高质量真实世界时间序列的广泛选择，这有助于解决现有多模态预测基准的三个主要问题：（1）由于基准数据的小规模和合成性质而导致泛化能力差，（2）基准中文本上下文的类型非常有限，以及（3）无法减轻评估中的数据泄漏。我们在 TimesX 上对零样本多模态预测方法进行了彻底的实证研究。我们的结果表明，许多在现有基准测试中表现良好的方法可能在 TimesX 上失败。相比之下，利用丰富的文本上下文和时间序列的简单集成方法可以优于 TimesX 上的强大基线。