Aproveitando Modelos de Visão para Análise de Séries Temporais: Uma Revisão

Harnessing Vision Models for Time Series Analysis: A Survey

February 13, 2025

Autores: Jingchao Ni, Ziming Zhao, ChengAo Shen, Hanghang Tong, Dongjin Song, Wei Cheng, Dongsheng Luo, Haifeng Chen

cs.AI

Resumo

A análise de séries temporais tem testemunhado um desenvolvimento inspirador, desde modelos tradicionais autorregressivos e modelos de aprendizado profundo até os recentes Transformers e Modelos de Linguagem de Grande Escala (LLMs). Esforços para aproveitar modelos de visão na análise de séries temporais também foram realizados ao longo do caminho, mas são menos visíveis para a comunidade devido à predominância de pesquisas sobre modelagem de sequências nesse domínio. No entanto, a discrepância entre séries temporais contínuas e o espaço discreto de tokens dos LLMs, juntamente com os desafios na modelagem explícita das correlações entre variáveis em séries temporais multivariadas, têm desviado parte da atenção da pesquisa para os igualmente bem-sucedidos Modelos de Visão de Grande Escala (LVMs) e Modelos de Visão e Linguagem (VLMs). Para preencher a lacuna na literatura existente, esta pesquisa discute as vantagens dos modelos de visão sobre os LLMs na análise de séries temporais. Ela oferece uma visão abrangente e detalhada dos métodos existentes, com uma dupla perspectiva de taxonomia que responde às principais questões de pesquisa, incluindo como codificar séries temporais como imagens e como modelar as séries temporais imagetizadas para diversas tarefas. Além disso, abordamos os desafios nas etapas de pré e pós-processamento envolvidas nesse framework e delineamos direções futuras para avançar ainda mais a análise de séries temporais com modelos de visão.

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.