[論文レビュー] Shapelets-Enriched Selective Forecasting using Time Series Foundation Models

Shivani Tomar, Seshu Tirupathi+2 more|arXiv (Cornell University)|Jan 16, 2026

Traffic Prediction and Management Techniques被引用数 0

ひとこと要約

選択的予測フレームワークは検証データから学習したシェイプレットを用いて信頼性の低い予測を除外し、いくつかのベンチマークで時系列基盤モデルの予測精度を向上させる。

ABSTRACT

Time series foundation models have recently gained a lot of attention due to their ability to model complex time series data encompassing different domains including traffic, energy, and weather. Although they exhibit strong average zero-shot performance on forecasting tasks, their predictions on certain critical regions of the data are not always reliable, limiting their usability in real-world applications, especially when data exhibits unique trends. In this paper, we propose a selective forecasting framework to identify these critical segments of time series using shapelets. We learn shapelets using shift-invariant dictionary learning on the validation split of the target domain dataset. Utilizing distance-based similarity to these shapelets, we facilitate the user to selectively discard unreliable predictions and be informed of the model's realistic capabilities. Empirical results on diverse benchmark time series datasets demonstrate that our approach leveraging both zero-shot and full-shot fine-tuned models reduces the overall error by an average of 22.17% for zero-shot and 22.62% for full-shot fine-tuned model. Furthermore, our approach using zero-shot and full-shot fine-tuned models, also outperforms its random selection counterparts by up to 21.41% and 21.43% on one of the datasets.

研究の動機と目的

• 時系列予測の信頼性を動機づけ、予測の高誤差セグメントを識別して除外する。
• 形状データベースベースのパターンを活用して、基盤モデルの再学習なしに選択的予測を導く。
• 多様なデータセットに対するゼロショットおよびフルショット微調整TSFMの選択的予測の性能向上を実証する。

提案手法

• ターゲットデータを訓練/検証/テストに分割し、検証セットでゼロショット予測を生成する。
• 辞書学習を用いて高誤差の検証サンプルからシフト不変のシェイプレットを学習する。
• 検証済みのシェイプレットとテストサンプル間のz正規化Euclidean距離を計算して除外サンプルを選択する。
• ベースFFTモデルとして訓練データで軽量TSFM（Tiny Time Mixer）をファインチューニングする。
• ユーザー定義のドロップ率を使って除外規則を適用し、選択的予測を生成する。
• MSEを用いて評価し、ゼロショット、フルショットFFT、ランダム選択のベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 シェイプレット指向の選択的予測はTSFMの信頼性の低い予測を識別・除外できるか？
• RQ2 ゼロショットおよびフルショットTSFMは、異なるデータセットでMSEの低減という意味で選択的予測の恩恵を受けるか？
• RQ3 シェイプレットベースの除外は複数の時系列ドメインでのランダム除外ベースラインとどう比較されるか？

主な発見

Dataset	Zero-shot (ZS) MSE	Full-shot Fine-Tuned (FFT) MSE	Random Selection (ZS) MSE	Random Selection (FFT) MSE	Selective Forecasting (ZS) MSE	Selective Forecasting (FFT) MSE
ETTh1	0.0524	0.0512	0.0418	0.0408	0.0439	0.0443
ETTh2	0.1306	0.1304	0.1038	0.1039	0.1002	0.0992
ETTm1	0.0275	0.0264	0.0220	0.0221	0.0221	0.0215
ETTm2	0.0765	0.0646	0.0615	0.0518	0.0644	0.0555
Exchange rate	0.0790	0.0776	0.0626	0.0616	0.0492	0.0484
Traffic	0.1766	0.1173	0.1412	0.0936	0.1407	0.0933

• シェイプレットを用いた選択的予測は6データセット中4データセットでMSEを低減し、ZSで平均22.17%、FFTで22.62%の改善を達成。
• 少なくとも1データセットでZSで最大21.41%、FFTで最大21.43%のランダム選択ベースラインを上回る。
• シェイプレットは高予測誤差に関連する代表的なパターンを捉え、問題のあるサンプルのターゲット除外を可能にする。
• テストサンプルとシェイプレット間の距離ベースの類似性（z正規化Euclidean）が効果的なサンプル拒否を導く。
• ドロップ率20%、Δ=2を用いると、複数データセット（ETTh1, ETTh2, ETTm1, ETTm2, Exchange Rate, Traffic）で堅牢なゲインを示す。
• アブレーションにより閾値を高くするとシェイプレット多様性は低下するが性能向上を維持できる場合があり、ドロップ率の増加に伴い一部ケースでMSEが単調に減少する。