Evaluating Time Series Foundation Models on Noisy Periodic Time Series

要約

基礎モデルの最近の進歩は機械学習に大きな影響を与えていますが、時系列基礎モデル (TSFM) のパフォーマンスに関する厳密なテストはほとんど調査されていないままです。
この論文では、ノイズの多い周期時系列を構成する 2 つの合成データセットに対するいくつかの主要な TSFM のゼロショット、長期予測能力を評価した実証研究を紹介します。
さまざまなノイズ レベル、基礎となる周波数、サンプリング レートにわたるモデルの有効性を評価します。
比較のベンチマークとして、フーリエ変換 (FFT) ベースのアプローチと線形自己回帰 (AR) モデルという 2 つの統計手法を選択します。
私たちの調査結果は、期間が限定され、サンプリング レートが高い時系列の場合、TSFM は統計的アプローチと同等またはそれを上回るパフォーマンスを発揮できますが、期間が長くなり、ノイズ レベルが高く、サンプリング レートが低くなり、時系列の形状がより複雑になると、予測能力が低下することを示しています。

要約(オリジナル)

While recent advancements in foundation models have significantly impacted machine learning, rigorous tests on the performance of time series foundation models (TSFMs) remain largely underexplored. This paper presents an empirical study evaluating the zero-shot, long-horizon forecasting abilities of several leading TSFMs over two synthetic datasets constituting noisy periodic time series. We assess model efficacy across different noise levels, underlying frequencies, and sampling rates. As benchmarks for comparison, we choose two statistical techniques: a Fourier transform (FFT)-based approach and a linear autoregressive (AR) model. Our findings demonstrate that while for time series with bounded periods and higher sampling rates, TSFMs can match or outperform the statistical approaches, their forecasting abilities deteriorate with longer periods, higher noise levels, lower sampling rates and more complex shapes of the time series.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google