[论文解读] 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 0

一句话总结

一个选择性预测框架使用从验证数据中学习的形状单元来舍弃时间序列基础模型的不可靠预测，从而在若干基准数据集上提高预测准确性。

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.

研究动机与目标

• 通过识别并舍弃时间序列预测中的高误差段来实现可靠的预测。
• 利用基于形状单元的模式在不重新训练基础模型的情况下指导选择性预测。
• 在跨越不同数据集的零-shot 和全-shot 微调的 TSFM 上展示选择性预测的性能提升。

提出的方法

• 将目标数据分成训练/验证/测试，在验证集上生成零-shot 预测。
• 使用字典学习从高误差验证样本中学习平移不变的形状单元。
• 计算测试样本与学习到的形状单元之间的 z-标准化欧几里得距离以选择要舍弃的样本。
• 在训练集上对轻量级 TSFM（Tiny Time Mixer）进行微调，作为基线 FFT 模型。
• 应用带有用户定义的丢弃百分比的舍弃规则以产生选择性预测。
• 使用 MSE 进行评估，并与零-shot、全-shot FFT 以及随机选择基线进行比较。

实验结果

研究问题

• RQ1 形状单元引导的选择性预测是否能够识别并舍弃来自 TSFM 的不可靠预测？
• RQ2 零-shot 和全-shot TSFM 是否在减少多样数据集上的 MSE 方面受益于选择性预测？
• RQ3 在多时序域中，基于形状单元的舍弃与随机舍弃基线相比如何？

主要发现

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

• 使用形状单元的选择性预测在六个数据集中的前四个数据集上降低了 MSE，平均改进为 24.（ZS）和 24.7（FFT）左右的数值，具体为 22.17% 和 22.62%。
• 该方法在至少一个数据集上对随机选择基线的对比中，ZS 和 FFT 的提升分别高达约 21.41% 和 21.43%。
• 形状单元捕捉到与高预测误差相关的代表性模式，使得有针对性的舍弃问题样本成为可能。
• 基于距离的相似性（z-标准化欧几里得距离）在测试样本与形状单元之间引导了有效的样本拒绝。
• 在 20% 的丢弃率和 delta=2 的设定下，该方法在多数据集（ETTh1、ETTh2、ETTm1、ETTm2、Exchange Rate、Traffic）上显示出鲁棒性提升。
• 消融结果显示更高的阈值会降低形状单元的多样性，但在某些情况下仍然能提升性能，且在某些情况下随着丢弃百分比增加 MSE 呈单调下降。