TSI-Bench: Benchmarking Time Series Imputation

有效的插补是时间序列分析的重要预处理步骤。尽管已经开发了许多基于深度学习的时间序列插补算法，但社区缺乏标准化和全面的基准测试平台，无法有效地评估不同环境下的插补性能。此外，尽管许多深度学习预测算法已经展现出出色的性能，但它们的建模成果是否可以转化到时间序列插补任务中仍未被探索。为弥补这些差距，我们开发了 TSI-Bench，这是第一个（据我们所知）利用深度学习技术进行时间序列插补的全面基准测试套件。TSI-Bench 管道标准化了实验设置，以实现公平评估插补算法，并识别有意义的洞察力，以了解适当领域的缺失比率和模式对模型性能的影响。此外，TSI-Bench 创新地提供了一个系统范例，以定制时间序列预测算法用于插补目的。我们在 34,804 个实验、28 个算法和 8 个数据集中进行了广泛的研究，其中包括各种缺失情况，证明了 TSI-Bench 在不同下游任务中的有效性，并有潜力开启时间序列插补研究和分析的未来方向。源代码和实验日志可在 https://github.com/WenjieDu/AwesomeImputation 上获取。

论文旨在解决时间序列缺失值插补的标准化评估问题，提出了TSI-Bench，一个全面的基于深度学习技术的时间序列缺失值插补基准套件。

TSI-Bench提供了标准化的实验设置来评估缺失值插补算法的性能，并探究领域适当的缺失比率和模式对模型性能的影响。此外，TSI-Bench还提供了一种系统范式来为时间序列预测算法量身定制缺失值插补的目的。

论文在28种算法，8个数据集和各种缺失情况下进行了34,804次实验，展示了TSI-Bench在不同下游任务中的有效性，并有潜力在时间序列缺失值插补研究和分析中开辟未来的方向。研究的源代码和实验日志可在GitHub上获得。

与该论文相关的研究包括：1.基于深度学习的时间序列缺失值插补算法的开发；2.时间序列预测算法在缺失值插补任务中的应用；3.其他时间序列缺失值插补基准套件的开发和应用。