Deep Time Series Models: A Comprehensive Survey and Benchmark

时间序列是指按离散时间顺序排列的数据点序列，它们在现实世界的应用中无处不在。与其他模态不同，时间序列由于其复杂和动态的特性，包括非线性模式和时变趋势的交织，因此面临着独特的挑战。分析时间序列数据在现实场景中具有重要意义，并且已经在几个世纪以来得到广泛研究。近年来，时间序列领域取得了显著的突破，技术从传统的统计方法转向了先进的深度学习模型。本文深入探讨了各种分析任务中深度时间序列模型的设计，并从基本模块和模型架构两个方面回顾了现有文献。此外，我们开发并发布了时间序列库（TSLib），作为深度时间序列模型用于各种分析任务的公平基准，它实现了24种主流模型，涵盖了来自不同领域的30个数据集，并支持五种常见的分析任务。基于TSLib，我们对不同任务评估了12种先进的深度时间序列模型。实证结果表明，具有特定结构的模型非常适合不同的分析任务，这为深度时间序列模型的研究和采用提供了见解。代码可在https://github.com/thuml/Time-Series-Library上获得。

本论文旨在探讨深度学习模型在不同时间序列分析任务中的设计，并提出了一个基准测试库TSLib来评估和比较这些模型的性能。

论文介绍了24种主流深度时间序列模型和30个不同领域的数据集，并支持五种常见的分析任务。通过TSLib对12种先进的深度时间序列模型进行全面评估，结果表明不同结构的模型适用于不同的分析任务。

本论文提出了一个基准测试库TSLib，用于评估和比较深度时间序列模型的性能。论文使用了24种主流深度时间序列模型和30个不同领域的数据集，并支持五种常见的分析任务。通过实验评估，论文发现不同结构的模型适用于不同的分析任务。该研究对深度时间序列模型的研究和应用提供了有价值的见解。

近年来，时间序列领域的研究从传统的统计方法转向了先进的深度学习模型。相关的研究包括：'Long Short-Term Memory Networks for Time Series Forecasting: A Systematic Literature Review'，'A survey on deep learning for time-series forecasting'等。