返回
Modelradar: aspect-based forecast evaluation
DOI:10.1007/s10994-025-06877-z.png)
摘要
En 中文
准确评估预测模型对于确保可靠的预测至关重要。当前评估和比较预测模型的实践侧重于使用SMAPE等指标将性能汇总为单一分数。尽管方便,但将所有样本的性能进行平均会淡化模型在不同条件下行为的相关信息。这一局限性在时间序列预测中尤其成问题,因为在数据集中对时间步长、预测范围和多个时间序列进行多层平均可能会掩盖相关的性能变化。我们通过提出ModelRadar框架来应对这一局限,该框架用于从多个方面评估单变量时间序列预测模型,例如平稳性、异常存在或预测范围。我们通过比较24种预测方法(包括经典方法和不同的机器学习算法)来证明该框架的优势。PatchTST,一种最先进的基于transformer的神经网络架构,总体表现最佳,但其优势因预测条件而异。例如,就预测范围而言,我们发现PatchTST(以及其他神经网络)仅在多步提前预测中优于经典方法。另一个相关见解是,经典方法(如ETS或Theta)在异常存在的情况下表现出显著更强的鲁棒性。这些及其他发现突显了面向方面的模型评估对实践者和研究人员的重要性。ModelRadar可作为Python软件包使用。
Keyword:
Time Series
Forecasting
Evaluation
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
Temporal Fusion Transformers for interpretable multi-horizon time series forecasting用于可解释的多水平时间序列预测的时间融合变换器

