时序必读论文14｜VLDB24 TFB：全面且公平的时间序列预测方法框架

论文标题：TFB: Towards Comprehensive and Fair Benchmarking of Time Series Forecasting Methods

论文链接：https://arxiv.org/pdf/2403.20150.pdf

代码链接：https://github.com/decisionintelligence/TFB

前言

五一过后读的第一篇文章，质量非常高。与以往对时序模型修补、改进类的算法论文不同，TFB这篇文章关注的是整个时间序列领域更高的层面的问题。其实从我开始写文章以来，就陆续收到私信，询问：为什么论文中SOTA的模型，放到我的数据集不work /效果不好/不如线性模型？包括我在kaggle社区也发现，几乎所有的业界时序预测竞赛，大家用XGboost类算法，而非深度学习。

这说明：不同应用领域的数据集与不同时序模型之间其实存在一个内在的Gap，本篇文章就通过对当前时序研究“不规范”、不全面的地方进行系统分析，从数据集、对比方法、评估流程三个方面，构造了一个可插拔的自动化基准。为时序研究人员提供了更全面可用的基准工具集。

当前时序研究框架存在的不足

现有时序研究在整个评估框架上存在的三方面问题：

问题1：数据领域覆盖不足。

不同领域的时间序列可能会表现出多样化的特征。图1a是环境领域的时序数据，呈现出明显