包括的モデルを超えて：深層多変量時系列予測の体系的な構成要素レベルのベンチマーキング

要旨

これまでの多変量時系列予測に関する研究は、複雑な全体モデルの開発に焦点が当てられてきた。本研究では、その影響をより粒状的な構成要素レベルで理解する方向への転換を提唱する。我々はTSCOMPを提案する。これは、深層予測手法をその核となる細粒度の構成要素——系列前処理、符号化戦略、特定および大規模時系列モデルを含むネットワークアーキテクチャ、最適化手法——に体系的に分解する初の大規模ベンチマークである。制約付き直交実験計画法と広範な評価を用いて、異なるバックボーン、データ特性、およびそれらの相互作用にわたる構成要素の有効性を明らかにする多視点分析を実施する。本ベンチマークは洞察を提供するだけでなく、20,000を超えるモデル-データセット評価からなる細粒度の性能コーパスを構築し、自動構成要素選択の学習を支援することで、新しいデータセットに対するゼロショットモデル構築を可能にする。実験により、コーパス駆動型アプローチはその単純さにもかかわらず、最先端手法を一貫して上回り、我々の評価設計の妥当性を実証するとともに、体系的な構成要素選択が手動で設計された複雑なアーキテクチャを凌駕することを確認した。すべてのコードと性能コーパスはhttps://github.com/SUFE-AILAB/TSCOMPで公開されている。

English

While previous research in multivariate time series forecasting has focused on developing complex holistic models, this work advocates for a shift toward a granular, component-level understanding of their impacts. We propose TSCOMP, the first large-scale benchmark that systematically deconstructs deep forecasting methods into their core, fine-grained components--spanning series preprocessing, encoding strategies, network architectures including specific and large time-series models, and optimization methods. Using constrained orthogonal experimental design and extensive evaluations, we conduct multi-view analyses that reveal component effectiveness across different backbones, data characteristics, and their interactions. Beyond providing insights, this benchmark establishes a fine-grained performance corpus comprising over 20,000 model-dataset evaluations, which supports the learning of automated component selection, enabling zero-shot model construction on new datasets. Our experiments demonstrate that the corpus-driven approach, despite its simplicity, consistently outperforms state-of-the-art methods, validating the soundness of our evaluation design and confirming that systematic component selection surpasses manually designed complex architectures. All code and the performance corpus are publicly available at https://github.com/SUFE-AILAB/TSCOMP.