在实际应用中，时间序列数据通常是不规则的。观察结果是异步的，缺失值是有信息量的而非随机的，且不同传感器和操作窗口的采样频率各异。
然而，现有的时间序列问答（TSQA）基准大多假设输入是规则采样的，这在理解大型语言模型（LLMs）和AI代理在不规则条件下的表现上留下了根本性的空白。
为了解决这个问题，我们推出了IRTS-ToolBench，这是一个包含1700个问题的基准，涵盖13个领域的10种任务类型。IRTS-ToolBench旨在供任何从事基于LLM的不规则时间序列分析的研究人员独立使用，提供标准化输入和可重复的评估协议。代码可以在 GitHub 找到。
博主点评： 该研究为不规则时间序列数据的分析提供了新的基准和工具，填补了现有方法在实际应用中的不足。IRTS-ToolBench的推出将为研究者提供必要的资源，推动相关领域的深入探索和应用落地。