PyRregular开源34个数据集基准，找不规则时序方向baseline的可以直接抄作业

现实世界中的时间序列数据常因采样不均、观测缺失、长度不一等问题而呈现“不规则”性这给医疗、交通、气象等领域的分析带来了巨大挑战。针对此问题本文解析的两篇论文从不同角度给出了解决方案。第一篇由意大利比萨大学提出的PyRregular框架旨在建立统一的不规则时间序列处理标准与分类基准第二篇提出的APN模型则聚焦于预测任务通过创新的自适应分块聚合机制在保证精度的同时大幅提升计算效率。二者分别从“标准化基准”与“高效建模”两个层面推动了该领域的发展。我把两篇论文的核心资料整理好了34个数据集清单不规则类型标注表以及不规则时间序列精选论文合集感兴趣的可以dd希望能帮到你~原文 姿 料 这儿~一、论文1PYRREGULAR: A UNIFIED FRAMEWORK FOR IRREGULAR TIME SERIES, WITH CLASSIFICATION BENCHMARKS意大利比萨大学方法PyRregular 提出了一套处理不规则时间序列的统一框架。它首先定义了三种独立的不规则性类型不均匀采样、部分观测和参差不齐。框架的核心是将数据转换为基于COO稀疏张量的通用数组格式并利用 xarray 库存储时间戳从而实现高效存储与操作。最终该框架可无缝对接多种现有分类库。创新点首个标准化基准发布了首个包含34个数据集的不规则时间序列分类标准化仓库并基于此对12种来自不同领域的分类器进行了全面的基准测试。统一数据表示提出了一种结合稀疏张量与时间戳的统一数组格式有效区分了“部分观测”和“参差不齐”导致的缺失值解决了现有格式无法同时处理各类不规则性的痛点。关键发现基准测试结果显示原本为规则时间序列设计的ROCKET方法在不规则数据上表现最佳且LightGBM等简单基线模型在性能和效率上优于许多复杂深度学习模型。论文链接https://arxiv.org/pdf/2505.06047二、论文2Rethinking Irregular Time Series Forecasting: A Simple yet Effective Baseline华东师范大学方法论文提出 APN 框架。核心是时间感知分块聚合模块该模块为每个通道独立学习动态的“软窗口”并通过加权平均策略直接聚合窗口内的原始观测值从而将不规则序列转换为规则、高质量的分块表示。随后一个轻量级的查询模块汇总历史信息最后通过一个浅层MLP进行预测。创新点自适应分块策略摒弃了传统固定长度的“硬分割”方法创新性地提出自适应软分块机制。通过为每个分块学习动态的左右边界使模型能灵活适应局部信息密度的变化并保证每个观测点都对所有分块有贡献避免信息丢失。高效轻量架构将处理不规则性的复杂性“前加载”到 TAPA 模块使得后续的聚合与预测模块可以极简化。实验证明APN 在PhysioNet等多个真实数据集上的预测精度超越了现有最先进方法同时显著降低了GPU内存、参数量和运行时间。避免插值偏差与现有通过插值填补缺失值的方法不同APN 的加权聚合策略直接使用原始观测数据避免了插值可能引入的数据失真保证了信息保真度。论文链接https://arxiv.org/pdf/2505.11250