SynForecast: Controlled Synthetic Time Series for Forecasting Research
作者: Olivier Sprangers, Cristian Challu, Jan Rathfelder, Han Wang, Max Mergenthaler Canseco
分类: cs.LG, stat.CO
发布日期: 2026-11-02
💡 一句话要点
提出SynForecast以解决合成时间序列生成的控制性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 合成时间序列 预测模型 计量经济学 数据生成 机器学习 时间序列分析 开源工具
📋 核心要点
- 现有合成时间序列生成器在控制配置和机制级消融方面存在不足，限制了系统性研究的可能性。
- SynForecast是一个开源库，提供32个生成器，支持多种扰动和机制变体，旨在提高合成时间序列的生成质量。
- 在M4数据集上，合成先验在少量观察下的表现优于从头训练的模型，且在短历史情况下微调效果更佳。
📝 摘要（中文）
合成时间序列在多个最新的预测基础模型的训练数据中占据了重要份额。现有研究在小数据预算和适度合成比例下报告了好处，但各自评估了模型和生成器的个别组合。为了系统性地研究这些好处，需要支持控制配置、扰动、可重复性和机制级消融的生成器。我们提出了SynForecast，一个开源Python库，包含32个生成器，其中19个实现了在计量经济学、定量金融、统计物理和点过程理论中发布的命名机制。我们在M4数据集上评估了SynForecast，结果显示合成先验在固定预算下的表现优于从头训练的网络，尽管在完整历史下表现不佳。
🔬 方法详解
问题定义：论文要解决的具体问题是现有合成时间序列生成器在控制配置、扰动和可重复性方面的不足，导致无法系统性地评估合成数据的效果。
核心思路：论文提出的核心解决思路是开发SynForecast，一个开源库，提供多种生成器和机制，允许用户灵活配置和实验，以便更好地理解合成数据的影响。
技术框架：整体架构包括32个生成器，19个实现了特定的经济学和统计学机制，用户可以在固定的其他条件下调整扰动和机制，输出格式兼容现有预测库。
关键创新：最重要的技术创新点在于提供了一个支持多种机制和扰动的生成器库，解决了现有生成器在组合使用时的局限性，增强了合成数据的可控性和可重复性。
关键设计：关键设计包括生成器的参数设置、输出格式的标准化，以及在评估时使用的损失函数和模型架构，确保生成的数据能够有效用于不同的预测模型。
🖼️ 关键图片
📊 实验亮点
在M4数据集上，合成先验在少量观察下的表现优于从头训练的模型，提升幅度达到34%。在短历史情况下，微调模型的效果比从头训练提高了约15%。此外，添加日周期显著降低了零-shot误差，提升幅度在43%到63%之间。
🎯 应用场景
该研究的潜在应用领域包括经济学、金融市场分析和其他需要时间序列预测的领域。SynForecast的灵活性和可控性使其能够为研究人员和从业者提供高质量的合成数据，从而推动相关领域的研究和应用进展。
📄 摘要（原文）
Synthetic time series constitute a substantial share of the training corpora of several recent forecasting foundation models. Existing studies report benefits at small data budgets and modest synthetic proportions, but each evaluates individual combinations of model and generator. Studying these benefits systematically requires generators that support controlled configuration, perturbation, reproducibility and mechanism-level ablation, and the 11 existing generators we review show gaps in this combined support. We present SynForecast, an open-source Python library with 32 generators, 19 of which implement named mechanisms with a published source in econometrics, quantitative finance, statistical physics and point-process theory. Perturbations and mechanism families can be varied while everything else is held fixed, output comes in the long format that forecasting libraries accept, and output does not depend on the number of parallel workers. We evaluate SynForecast on M4 at five frequencies with a neural network and a gradient-boosted ensemble. A classical baseline attains the lowest error in nine of ten frequency-history combinations. A synthetic prior outperforms the same network trained from scratch at a fixed budget by up to 34% with a few dozen observations, but loses to it at full history at every frequency, and none of three pre-specified rescalings of history predicts where the sign changes. At the hourly frequency, where the prior fails at every history, the corpus lacks daily cycles; adding them reduces zero-shot error by 43 to 63% for both models. Fine-tuning outperforms training from scratch by up to about 15%, but at short histories a fixed 300-step fine-tune is worse than the pretrained model used as is. Removing the classical mechanism family costs about 2% for both models; every other family has a smaller effect outside the hourly frequency.