mTSeer: Interactive Visual Exploration of Models on Multivariate Time-series Forecast

Abstract

时间序列预测通过多变量时间序列输入为工业和机构决策提供重要信息。虽然已经开发了各种模型来促进预测过程，但是它们做出不一致的预测。因此，选择合适的模型至关重要。基于误差度量的现有选择方法不能揭示对模型性能的深入洞察，例如显著特征的识别和时间因素的影响(例如，周期)。本文介绍了一个用于探索、解释和评估多元时间序列预测模型的交互式系统。我们的系统集成了一组算法来控制流程，以及丰富的交互和可视化设计来帮助解释模型和实例级别的模型之间的差异。我们通过两个领域专家对真实世界数据的三个案例研究、对这两个专家的定性访谈以及对这三个案例研究的定量评估来证明 mTSeer 的有效性。

Introduction

在给定时间序列数据集的情况下，领域专家使用不同的模型设置以可控的方式评估、比较和选择现有的预测模型是很重要的。

最近的研究已经解决了使用各种统计分析结果评估多元预测模型的问题。结果通常由准确度/误差度量来表示(例如，。均方根误差)。此外，交叉验证方法用于在整个数据集的随机分区上评估机器学习和其他自回归预测方法

不足：

• they cannot assess whether the quantity of used variables has afected the accuracy
• most of them only provide the overall model-level performance comparisons and lack the details in the instance level

贡献：

• 系统。我们提出了一个集成的可视化分析系统，用于多变量时间序列预测模型的用户引导、可控探索和评估。
• 可视化和交互。我们提出了一套可视化和交互设计，以方便用户在模型级和实例级评估预测模型。
• 评价。mTSeer 的有效性体现在多种形式的评估中。

需求：

• 构建多元时间序列预测模型
• 从多方面评估模型
• 从不同角度解读探索结果
• 支持简单的交互式评估

任务：

• Show the overview of feature distribution and model performances.
• Interpret models’ temporal patterns in diferent contexts.
• Enhance model comparisons in model, instance and historical level
• Display the similarity of input instances
• Allow fexible parameter settings of forecast models
• Provide easy access to raw multivariate data

系统：