超越整體模型：深度多元時間序列預測的系統性組件級基準測試

研究論文提出 TSCOMP，這是首個大規模基準，系統性地將深度多元時間序列預測方法分解為細粒度組件，包括序列預處理、編碼策略、網路架構（包含特定及大型時間序列模型）以及優化方法。透過約束正交實驗設計和廣泛評估，進行多視角分析，揭示不同骨幹網路、數據特性及其交互作用下的組件有效性。除了提供見解，此基準建立了一個細粒度性能語料庫，涵蓋超過 20,000 個模型-數據集評估，支持學習自動組件選擇，實現新數據集上的零樣本模型構建。實驗表明，儘管簡單，語料庫驅動的方法持續超越最先進方法，驗證了評估設計的健全性，並確認系統性組件選擇優於手動設計的複雜架構。所有代碼和性能語料庫已在 GitHub 公開提供。