How Good Can Linear Models Be for Time-Series Forecasting?

• 类型：arxiv
• 标识：2606.27282
• 链接：https://arxiv.org/abs/2606.27282
• 主分类：evaluation
• 形态：benchmark
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：The resulting models beat prior linear forecasters on most dataset-horizon entries and exceed Transformer, MLP, and CNN baselines on six of eight benchmarks, and serve as a diagnostic on the data itself, revealing structures that larger models absorb silently into their learned parameters.
• OpenAlex ID：W7166091002
• OpenAlex DOI：10.48550/arxiv.2606.27282
• DOI：10.48550/arxiv.2606.27282
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2606.27282
• OpenAlex更新：2026-07-19
• 待LLM分类：否
• 成熟度：research
• 场景：time-series forecasting、linear models、model diagnostics
• 标题中文：线性模型在时间序列预测中能做到多好？
• TLDR中文：所得到的模型在大多数数据集-预测步长组合上优于先前的线性预测器，并在八个基准中的六个上超越 Transformer、MLP 和 CNN 基线；同时它还可作为对数据本身的诊断工具，揭示那些被更大模型默默吸收进其学习参数中的结构。
• 来源文件：
• /inbox/tom/_candidates/2026-06-30-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]