Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting

时间序列预测试图通过分析过去的趋势和模式来预测未来事件。尽管已经有了大量研究，但在时间序列预测中使用深度学习的某些关键方面仍然不明确。我们的研究主要关注于考察与时间序列相关的特定超参数（如上下文长度和验证策略）对时间序列预测中最先进的MLP模型性能的影响。我们进行了一系列全面的实验，涉及20个时间序列预测数据集中的每个数据集4800个配置，我们的研究结果表明调整这些参数的重要性。此外，在这项工作中，我们介绍了迄今为止最大的时间序列元数据集TSBench，其中包括97200个评估，是该领域以前工作的20倍。最后，我们展示了创建的元数据集在多保真度超参数优化任务中的实用性。

本论文旨在研究深度学习在时间序列预测中的关键超参数对模型性能的影响，同时介绍了迄今为止最大的元数据集TSBench。主要问题是如何优化时间序列预测模型的性能。

论文通过实验研究发现，调整时间序列预测模型的关键超参数（如上下文长度和验证策略）可以显著提高模型性能，同时介绍了元数据集TSBench，用于多保真度超参数优化。

论文设计了一系列实验，使用了20个时间序列预测数据集，每个数据集进行了4800个配置的实验，共计97200次评估。元数据集TSBench是目前最大的元数据集，可用于多保真度超参数优化。论文的贡献在于揭示了关键超参数对于时间序列预测模型性能的重要性，并提供了一个新的元数据集。

在这个领域中，最近的相关研究包括：1. DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks; 2. Temporal Convolutional Networks for Sequence Learning; 3. LSTM Fully Convolutional Networks for Time Series Classification。