Benutten van Visionmodellen voor Tijdreeksanalyse: Een Overzicht

Samenvatting

Tijdreeksanalyse heeft een inspirerende ontwikkeling doorgemaakt, van traditionele autoregressieve modellen, via deep learning-modellen, tot recente Transformers en Large Language Models (LLMs). Er zijn ook inspanningen geleverd om vision-modellen te benutten voor tijdreeksanalyse, maar deze zijn minder zichtbaar voor de gemeenschap vanwege het overheersende onderzoek naar sequentiemodellering in dit domein. Echter, het verschil tussen continue tijdreeksen en de discrete tokenruimte van LLMs, evenals de uitdagingen bij het expliciet modelleren van de correlaties tussen variabelen in multivariate tijdreeksen, hebben een deel van de onderzoeksaandacht verlegd naar de even succesvolle Large Vision Models (LVMs) en Vision Language Models (VLMs). Om de leemte in de bestaande literatuur op te vullen, bespreekt dit overzicht de voordelen van vision-modellen ten opzichte van LLMs in tijdreeksanalyse. Het biedt een uitgebreid en diepgaand overzicht van de bestaande methoden, met een dubbele taxonomie die de belangrijkste onderzoeksvragen beantwoordt, waaronder hoe tijdreeksen als afbeeldingen kunnen worden gecodeerd en hoe de gevisualiseerde tijdreeksen kunnen worden gemodelleerd voor verschillende taken. Daarnaast gaan we in op de uitdagingen in de pre- en post-processing stappen die bij dit framework betrokken zijn en schetsen we toekomstige richtingen om tijdreeksanalyse met vision-modellen verder te bevorderen.

English

Time series analysis has witnessed the inspiring development from traditional autoregressive models, deep learning models, to recent Transformers and Large Language Models (LLMs). Efforts in leveraging vision models for time series analysis have also been made along the way but are less visible to the community due to the predominant research on sequence modeling in this domain. However, the discrepancy between continuous time series and the discrete token space of LLMs, and the challenges in explicitly modeling the correlations of variates in multivariate time series have shifted some research attentions to the equally successful Large Vision Models (LVMs) and Vision Language Models (VLMs). To fill the blank in the existing literature, this survey discusses the advantages of vision models over LLMs in time series analysis. It provides a comprehensive and in-depth overview of the existing methods, with dual views of detailed taxonomy that answer the key research questions including how to encode time series as images and how to model the imaged time series for various tasks. Additionally, we address the challenges in the pre- and post-processing steps involved in this framework and outline future directions to further advance time series analysis with vision models.

Benutten van Visionmodellen voor Tijdreeksanalyse: Een Overzicht

Harnessing Vision Models for Time Series Analysis: A Survey

Samenvatting

Support