Beyond OLS: A Comparative Study of Regression Algorithms for Time Series Forecasting
Notice bibliographique
Résumé
Recent time series forecasting developments indicated that simple linear models can be strong competitors to handle a vast majority of real-world datasets. However, the generality of such models can vary significantly between domains, not to mention between tasks. This paper extends the benchmark of Toner and Darlow Ordinary Least Squares (OLS) was investigated as a competitive baseline model for time series forecasting, to include a few more regression-based models. More specifically, we compare the performances of Gaussian Naive Bayes (NB), K-Nearest Neighbors (KNN), Decision Tree Regression (DT), and Random Forest Regression (RF) under the same experimental setup and datasets. Our experiments are performed using the ETTh1 benchmark dataset with fixed context horizon and forecasting horizon at 96-time intervals. Compared to the baseline OLS benchmark MSE of 0.376, and the corresponding Mean Absolute Error (MAE) of 0.399, our modified models clearly fare much better. Random Forest Regression does the best, at an MSE of 0.144, an MAE of 0.245, followed closely by Decision Tree Regression (MSE: 0.155, MAE: 0.262) and the KNN (MSE: 0.271, MAE: 0.369). Surprisingly, the modified version of the usual Gaussian Naive Bayes, which has been conditioned to regression using target binning , does an MSE of 1.053, with the corresponding MAE of 0.670, due to the probabilistic nature of the algorithm where the sample domain is not discrete but rather continuous. Our work highlights that Random Forests, which are tree models, are overwhelmingly powerful baselines, surpassing traditional linear methods. This demands a rethinking of the simplicity of definition of forecasting baselines and the use of more varied ML-based regressors as baselines. Source code and experimental configurations are released to facilitate reproduction and further extendibility of the code.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».