✅作者简介：双一流博士，人工智能领域学习者，深耕机器学习，交叉学科实践者。已发表SCI1/区top论文30+，发明专利20+。可提供论文服务，代码复现，专利思路和指导，提供科研小工具，分享科研经验，欢迎交流！
📞联系博主：留言或私信
📙本文内容：蚂蚁集团开源QuitoBench：时间序列预测的“照妖镜”
1. 一个让人头秃的问题
做时间序列预测的人，最近两年应该有一种共同的感觉——选择太多了，反而不知道怎么选。
2023年之前，选模型很简单：ARIMA、Prophet、LightGBM，三选一，各有各的适用场景，大家心知肚明。
2024年开始，风向变了。Google出了TimesFM，Amazon出了Chronos，各种“时间序列基础模型”像雨后春笋一样冒出来，动不动就是几亿参数，号称“零样本预测”“通用时间序列模型”。
问题来了：这些庞然大物，真的比传统的轻量级深度学习模型更好吗？
更尴尬的是，你想去翻论文找答案，发现不同论文给出的结论互相矛盾——A论文说基础模型全面碾压，B论文说传统模型在某些场景下依然能打。你越看越糊涂。
为什么会这样？因为评测基准本身有问题。
2 时间序列的基准建设严重滞后
论文作者首先查了arXiv上2020-2025年所有论文，统计了各领域“提出新基准/数据集”的论文占比：
计算机视觉：6.8% | NLP：9.9% | 语音：7.0% | 时间序列：4.2%
（支持资料、图片参考_相关定制）_文章底部可以扫码)
