Can time series forecasting be automated? A benchmark and analysis

在机器学习和人工智能领域，时间序列预测在金融、医疗和天气等各个领域中扮演着重要角色。然而，由于数据模式和特征的多样性，为给定数据集选择最合适的预测方法是一个复杂的任务。本研究旨在通过提出一个全面的基准来评估和排名各种时间序列预测方法，以解决这一挑战。本研究调查了来自两个著名时间序列预测框架AutoGluon-Timeseries和sktime的许多方法的比较性能，以阐明它们在不同实际场景中的适用性。本研究通过提供一个强大的基准方法，促进了选择预测方法以实现最佳预测的知情决策，从而为时间序列预测领域做出了贡献。

本论文旨在提出一种全面的基准方法，评估和排名不同时间序列预测方法在各种数据集上的性能，以解决选择最适合给定数据集的预测方法的复杂性问题。

论文通过比较两种主要的时间序列预测框架AutoGluon-Timeseries和sktime的多种方法的性能，提出了一种强大的基准测试方法，并为决策提供了帮助。

论文使用多种数据集进行实验，提供了开源代码，为时间序列预测提供了一个全面的基准测试。值得进一步研究的工作包括如何在不同数据集上进行更好的泛化。

近期的相关研究包括“Time Series Analysis and Forecasting using Deep Learning Models”和“Forecasting Time Series with Multiple Seasonal Patterns Using Deep Learning Models”。