ST-MTM: Masked Time Series Modeling with Seasonal-Trend Decomposition for Time Series Forecasting
Ulsan National Institute of Science and Technology（乌山国立科学技术研究院）
ST-MTM提出基于季节-趋势分解的掩码时间序列建模框架，通过周期掩码和子序列掩码分别处理季节与趋势分量，并结合对比学习，在时间序列预测中取得优于现有方法的性能。
2025-06-13 cs.AI cs.LG stat.ML
Encoding Seasonal Climate Predictions for Demand Forecasting with Modular Neural Network
IBM Research（IBM研究院）；IBM Research - India（IBM研究院（印度））
提出一种模块化神经网络框架，编码季节性气候预测以提升供应链需求预测的稳健性，在多个真实数据集上实现约13%-17%的错误减少。
2023-09-05 cs.AI cs.LG
Short-term daily precipitation forecasting with seasonally-integrated autoencoder
Chiang Mai University（清迈大学）；Data Science Research Center（数据科学研究中心）
短期降水预报对于从个人规划、城市管理到防洪等多尺度的人类活动规划至关重要。然而，短期大气动力学是高度非线性的，它不能很容易地捕捉到经典的时间序列模型。另一方面，深度学习模型擅长学习非线性相互作用，但它们并不是为了处理时间序列中的季节性而设计的。在这项研究中，我们的目标是开发一个预测模型，既可以处理的非线性和检测隐藏在每日降水数据的季节性。为此，我们提出了一个季节性集成自动编码器（SSAE），由两个长短期记忆（LSTM）自动编码器组成：一个用于学习短期动态，另一个用于学习时间序列中的季节性。我们的实验结果表明，无论气候类型如何，SSAE不仅优于各种时间序列模型，而且与其他深度学习模型相比，它的输出方差也较低。结果还表明，SSAE的季节性成分有助于改善预测和实际值之间的相关性，从水平1的4%提高到水平3的37%。
2021-01-23 cs.LG
Randomized Neural Networks for Forecasting Time Series with Multiple Seasonality
Częstochowa University of Technology（琴希托霍瓦工业大学）
这项工作有助于神经预测模型的发展与新的基于随机化的学习方法。与标准方法相比，这些方法通过根据数据和目标函数特征生成网络参数，提高了神经模型的拟合能力。一个基于模式的时间序列表示，使所提出的方法用于预测时间序列与多个季节性。在模拟研究中，我们评估了所提出的模型的性能，发现它们在预测准确性方面可以与经过充分训练的网络竞争。非常快速和容易的训练，简单的架构，易于实现，高精度以及处理非平稳性和多个季节性的时间序列，使所提出的模型非常有吸引力的广泛复杂的时间序列预测问题。
2021-07-04 cs.LG cs.NE
Seasonal Encoder-Decoder Architecture for Forecasting
TCS Research（塔塔咨询服务公司研究院）
一般来说，深度学习（DL）和递归神经网络（RNN）在基于序列的应用中取得了很高的成功。本文涉及用于时间序列建模和预测的RNN。我们提出了一种新的RNN架构，智能地捕获（随机）季节相关性，同时能够进行准确的多步预测。它是从著名的编码器-解码器（ED）架构和乘法季节性自回归模型的动机。它包含多步骤（多目标）学习，即使在存在（或不存在）外源输入。它可以用于单个或多个序列数据。对于多序列的情况下，我们还提出了一种新的贪婪递归过程，以建立（一个或多个）预测模型时，每序列的数据是less. We通过广泛的实验表明，我们提出的架构在单序列和多序列的情况下的效用。
2022-07-08 cs.AI cs.LG
An Investigation into Seasonal Variations in Energy Forecasting for Student Residences
Department of Electrical and Computer Engineering（电气与计算机工程系）；Western University（西部大学）
本研究评估了多种机器学习模型在学生公寓能源预测中应对季节性变化的表现，发现无单一模型全年最优，并提出基于Hyper Network的LSTM和MiniAutoEncXGBoost模型，有效捕捉夏季能耗突变。
2025-06-29 cs.AI cs.LG
DecoVAE: a Lightweight Interpretable Trend-Seasonal VAE Framework for Efficient Probabilistic Time Series Forecasting
Applied AI Institute（应用人工智能研究所）
DecoVAE是一种轻量级可解释的趋势-季节VAE框架，通过分解时间序列的趋势与季节组件解决概率时间序列预测的局限，在7个真实基准上精度优于基线且效率显著提升。
2026-09-28 cs.LG
Ensembles of Randomized NNs for Pattern-based Time Series Forecasting
Częstochowa University of Technology（琴希托霍瓦工业大学）
在这项工作中，我们提出了一个集成预测方法的基础上随机神经网络。改进的随机学习通过根据数据和目标函数特征生成网络参数来简化个体学习器的拟合能力。一个基于模式的时间序列表示，使所提出的方法适用于预测时间序列的多个季节性。我们提出了六个策略来控制合奏成员的多样性。对四个实际预报问题进行的案例研究验证了所提出的集合预报方法的有效性和优越性能。它在预测准确性方面优于统计模型以及最先进的机器学习模型。所提出的方法具有几个优点：快速和容易的训练，结构简单，易于实现，高精度和处理非平稳性和多个季节性的时间序列的能力。
2021-07-08 cs.LG stat.ML
SPDNet: Seasonal-Periodic Decomposition Network for Advanced Residential Demand Forecasting
针对住宅电力需求预测中多季节性和周期性的挑战，提出SPDNet，通过季节-趋势分解和基于FFT的周期分解及二维处理，提升预测精度和效率。
2025-03-28 cs.LG
Seasonal and Quantum-inspired Models for Neutron Monitor Time Series Forecasting
Fractal
本研究比较多种模型预测中子监测器时间序列，发现量子启发QiKAN误差最低，而简单季节性基线也极具竞争力，表明强先验可超越复杂架构。
2026-09-28 cs.LG quant-ph
Physics-Informed Teleconnection-Aware Transformer for Global Subseasonal-to-Seasonal Forecasting
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
提出TelePiT深度学习架构，通过球谐嵌入、多尺度物理信息神经ODE和遥相关感知Transformer，显式建模物理过程与遥相关，显著提升全球S2S预测性能并超越现有基线。
2025-08-11 cs.AI cs.LG stat.ML
A Decomposition Modeling Framework for Seasonal Time-Series Forecasting
Hebei Finance University（河北金融学院）；ZJU-UIUC Institute（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合学院）
本文提出多尺度季节性分解模型（MSSD），通过分解时间序列为上升、峰值和下降成分，并整合Conv2d与TCN及多尺度重塑，在季节性预测中较基线降低10%误差。
2024-12-12 cs.AI cs.LG
Forecasting NIFTY 50 benchmark Index using Seasonal ARIMA time series models
Georgia Institute of Technology（佐治亚理工学院）
本文分析了如何利用时间序列分析技术来捕捉股票市场中交易所指数的运动。具体而言，季节性自回归综合移动平均（SARIMA）模型类被应用于捕捉Nifty 50指数的走势，该指数是全球最活跃的交易所交易合约之一[1]。总共评估了729个模型参数组合，并根据AIC标准选择了最合适的组合来进行最终预测[8]。NIFTY 50可用于多种用途，如基准基金组合，推出指数基金，交易所交易基金（ETF）和结构性产品。该指数跟踪蓝筹股公司投资组合的行为，蓝筹股公司是印度最大和最具流动性的证券，可以被视为印度股票市场的真实反映[2]。
2020-01-09 cs.LG q-fin.ST stat.AP
Two-Stage Framework for Seasonal Time Series Forecasting
MIT Operations Research Center（麻省理工学院运筹学研究中心）；MIT Laboratory for Financial Engineering（麻省理工学院金融工程实验室）；Machine Intelligence Technology, Alibaba Group（阿里巴巴集团机器智能技术部）
季节性时间序列的预测仍然是一个具有挑战性的问题，由于长期依赖于季节性。在本文中，我们提出了一个两阶段的框架来预测单变量季节性时间序列。第一阶段明确地学习超出预测范围的时间窗口中的长期时间序列结构。通过结合学习的长期结构，第二阶段可以提高预测范围内的预测精度。在这两个阶段中，我们将自回归模型与神经网络相结合，以捕捉时间序列中的线性和非线性特征。我们的框架在M4竞赛小时数据集上实现了最先进的性能。特别是，我们表明，将第一阶段产生的中间结果，现有的预测模型，可以有效地提高其预测性能。
2021-03-03 cs.AI cs.LG stat.AP
OneShotSTL: One-Shot Seasonal-Trend Decomposition For Online Time Series Anomaly Detection And Forecasting
Alibaba Group（阿里巴巴集团）
提出OneShotSTL算法，通过O(1)复杂度的在线季节-趋势分解，解决实时时间序列分析延迟问题，速度提升超千倍且保持高精度。
2023-04-04 cs.AI cs.DB cs.LG
Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种基于趋势和季节性分解的新度量指标，用于对时间序列分组，并结合LightGBM改进零售销售预测，在沃尔玛数据上验证了更高的准确性。
2023-09-01 cs.AI cs.LG
How Much Can A Retailer Sell? Sales Forecasting on Tmall
Ant Financial Services Group（蚂蚁金融服务集团）
时间序列预测是学术界和工业界的一项重要研究课题，它可以用来解决许多实际的预测问题，如股票，供水和销售预测。本文研究了零售商在天猫上的销售预测案例|全球领先的在线B2C平台。通过分析数据，我们有两个主要的观察结果，即，在我们将不同的零售商分组后，销售季节性和在我们转换销售（目标到预测）后的Tweedie分布。根据我们的观察，我们设计了两种销售预测机制，即，季节性提取和分布变换。首先，我们采用傅立叶分解自动提取的季节性为不同类别的零售商，这可以进一步被用作任何既定的回归算法的附加功能。其次，我们建议优化对数变换后的Tweedie销售损失。我们将这两种机制应用于经典的回归模型，即，神经网络和梯度提升决策树，并在天猫数据集上进行实验，结果表明两种机制都能显著提高预测结果。
2020-02-27 cs.LG stat.AP stat.ML
Forecasting The JSE Top 40 Using Long Short-Term Memory Networks
University of the Witwatersrand（威特沃特斯兰德大学）
由于大数据的更大可用性，以及现代计算的成本降低和能力增加，使用人工神经网络进行金融时间序列预测再次成为金融界讨论和研究的主要话题。尽管有这样的学术焦点，但对于人工神经网络的表现最好以及它们是否优于传统时间序列模型的预测能力，仍然存在截然不同的观点和文献。本文利用长短期记忆网路，对日本证券交易所40大指数的收益率资料进行金融时间序列预测。此外，预测性能的长短期记忆网络的预测性能的季节性自回归集成移动平均模型进行了比较。本文评估了现有文献中提出的不同方法，并最终将结果与现有文献进行了比较。本文的结论是，长短记忆网络优于季节性自回归积分移动平均模型预测日内方向性运动，以及在预测指数收盘价。
2021-04-20 cs.LG stat.ML
Symmetric Composition of Anisotropic Operators for Global Subseasonal-to-Seasonal Climate Forecasting
The Hong Kong University of Science（香港科学与技术大学）；DAMO Academy, Alibaba Group, Hangzhou, China（阿里云联合实验室，阿里集团，杭州，中国）
SOON通过各向异性嵌入和对称分解技术，提升全球亚季节到季节气候预测的准确性和效率。
2026-09-29 cs.LG physics.ao-ph
STD: A Seasonal-Trend-Dispersion Decomposition of Time Series
Czestochowa University of Technology（琴斯托霍瓦工业大学）
时间序列的分解是一项基本任务，有助于理解其本质。它便于分析和预测复杂的时间序列表达各种隐藏的成分，如趋势，季节性成分，周期性成分和不规则波动。因此，它在许多领域的预测和决策过程中至关重要。近年来，人们发展了许多时间序列分解方法，它们提取和揭示了不同的时间序列特性。不幸的是，他们忽略了一个非常重要的性质，即时间序列方差。为了处理时间序列中的异方差性，本文提出了一种季节性趋势离散分解（STD）方法，提取时间序列的趋势、季节性分量和与离散相关的分量。我们用两种方式定义STD分解：有和没有不规则分量。我们展示了如何STD可以用于时间序列分析和预测。
2022-04-21 cs.LG stat.ME
Variations on two-parameter families of forecasting functions: seasonal/nonseasonal Models, comparison to the exponential smoothing and ARIMA models, and applications to stock market data
我们介绍了24个双参数家庭先进的时间序列预测功能，使用一种新的和非参数的方法。我们还介绍了供电的概念，并推导出非季节性和季节性模型的例子在教育，销售，金融和经济。我们比较我们的24个模型的性能，霍尔特-温特斯和ARIMA模型的非季节性和季节性时间序列。我们特别表明，我们的模型不仅不需要分解成趋势，季节性和随机成分的季节性时间序列，但也导致大幅降低绝对误差和更高数量的预测比霍尔特-温特斯和ARIMA模型。最后，我们使用标准普尔500指数467家公司的五年股票市场数据，应用并比较了我们的24个模型的性能。
2022-07-13 math.ST q-fin.ST stat.ME
An ensemble of data-driven weather prediction models for operational sub-seasonal forecasting
Microsoft（微软）
提出一套结合数据驱动模型与ECMWF海洋模型的业务化多模型集合预报系统，在1度分辨率下实现4周时效的全球天气预报，其2米温度预测平均超ECMWF原始集合4-17%，证明数据驱动方法可实现接近最先进的次季节预报。
2024-03-22 cs.LG physics.ao-ph
Improving forecasting by subsampling seasonal time series
时间序列预测在现代商业决策中起着越来越重要的作用。在今天的数据丰富的环境中，人们的目标往往是为他们的数据选择最佳的预测模型。然而，确定最佳模型需要专业知识和经验，这使得准确预测成为一项具有挑战性的任务。为了减轻模型选择的重要性，我们提出了一个简单而可靠的算法，以提高预测性能。具体来说，我们从原始时间序列构造具有不同子季节的多个时间序列。这些衍生系列突出了原始系列的不同次季节模式，使预测方法能够捕捉数据的不同模式和组成部分。随后，我们分别用经典的统计模型（ETS或ARIMA）对这些多个序列进行预测。最后，将预测合并。我们评估我们的方法广泛使用的预测竞争数据集（M1，M3和M4）的点预测和预测区间。我们观察到的性能改进相比，基准。我们的方法是特别适合和强大的数据具有较高的频率。为了证明我们的主张的实用价值，我们展示了我们的方法表现出多种季节性模式的每小时负载数据的性能改进。
2021-12-16 stat.AP
Forecasting of Multiple Seasonal Categorical Time Series Using Fourier Series with Application to AQI Data of Kolkata
Indian Statistical Institute（印度统计研究所）
本文提出利用傅里叶级数和指示函数建模多季节性分类时间序列，通过加尔各答AQI数据验证，提升了预测精度。
2026-03-04 stat.ME
Learning and Dynamical Models for Sub-seasonal Climate Forecasting: Comparison and Collaboration
University of Minnesota, Twin Cities（明尼苏达大学双城校区）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；George Mason University（乔治梅森大学）
亚季节气候预测（SSF）是对2周至2个月时间范围内的温度和降水等关键气候变量的预测。熟练的SSF将在农业生产力、水文和水资源管理以及干旱和野火等极端事件的应急规划等领域具有重大的社会价值。尽管SSF具有重要的社会意义，但与短期天气预报和长期季节预报相比，SSF仍然是一个具有挑战性的问题。最近的研究表明，机器学习（ML）模型有潜力推进SSF。在本文中，我们第一次对一套现代ML模型与美国西部邻近SSF亚季节实验（SubX）项目中最先进的基于物理的动力学模型进行了细粒度比较。此外，我们还探索了通过使用动态模型的预测来增强ML模型的机制。实证结果表明，平均而言，ML模型的表现优于动态模型，而与SubX模型相比，ML模型的预测往往较为保守。此外，我们还说明了ML模型在极端天气条件下会产生预测错误，例如，极涡引起的寒潮，突出表明需要为极端事件建立单独的模型。最后，我们表明，适当地将动态模型预测作为ML模型的输入，可以大大提高ML模型的预测性能。为这项工作构建的SSF数据集，动态模型预测和ML模型的代码将与论文一起发布，以造福更广泛的机器学习社区。
2021-09-29 cs.LG physics.ao-ph
Parsimony, model adequacy and periodic correlation in forecasting time series
本文总结了我们最近在季节性河流流量预报方面的工作，说明了Box \& Jenkins（1970）的模拟原理的优点。具体来说，这项工作表明，简约的原则，这是最近受到质疑的几个作者，是有助于选择最佳模型预测季节性河流流量。我们的工作也证明了模型充分性的重要性。一个适合的季节性河流流量模型必须包含季节性的周期相关性。通常的自回归移动平均（ARMA）和季节ARMA模型在这方面是不够的季节性河流流量时间序列。本文提出了一种新的诊断检验方法，用于检验拟合ARMA模型的周期相关性。在拟合季节性ARMA模型时，建议常规使用此诊断检查。结果表明，这种诊断检查表明，许多季节性经济时间序列也表现出周期相关性。由于标准预测方法在这方面存在不足，因此可以得出结论，在许多情况下，所产生的预测是次优的。最后，还说明了预测的任意组合的局限性。结合预测从一个足够的吝啬模型与不足的模型并没有提高预测，而结合两个预测的两个不足的模型确实产生了改善预测性能。这些发现也支持Box \& Jenkins的模型构建理念。Newbold \& Granger（1974）和Winkler \& Makridakis（1983）的非直观发现，即相似模型的预测的明显任意组合将导致预测性能，但我们对河流流量预测的案例研究并不支持这一发现。
2016-11-04 math.ST stat.AP stat.TH
mshw, a forecasting library to predict short-term electricity demand based on multiple seasonal Holt-Winters
Universitat Politècnica de València（瓦伦西亚理工大学）
本文提出MATLAB工具箱mshw，结合多重季节性Holt-Winters指数平滑与神经网络模型，并引入离散区间移动季节性以改进特殊日期预测，在欧洲多个电力系统中验证了其有效性。
2024-02-15 cs.LG econ.EM stat.AP
First De-Trend then Attend: Rethinking Attention for Time-Series Forecasting
UC San Diego（加州大学圣地亚哥分校）；AWS AI Labs（亚马逊云科技人工智能实验室）；AWS（亚马逊云科技）
近年来，基于变换的模型在长期时间序列预测中得到了广泛的应用，并显示出良好的效果。除了在时域中学习注意力之外，最近的工作还探索了在频域中学习注意力（例如，傅立叶域、小波域），因为在这些域中可以更好地捕获季节模式。在这项工作中，我们试图了解在不同的时间和频率域的注意力模型之间的关系。理论上，我们证明了不同领域的注意力模型在线性条件下是等价的（即，注意力分数的线性内核）。在实证方面，我们分析了不同领域的注意力模型如何表现出不同的行为，通过各种合成实验与季节性，趋势和噪音，重点是softmax操作中的作用。这些理论和实证分析促使我们提出了一种新的方法：TDformer（趋势分解Transformer），首先应用季节趋势分解，然后添加组合的MLP预测的趋势分量与傅立叶注意预测的季节分量，以获得最终的预测。在基准时间序列预测数据集上的大量实验表明，TDformer相对于现有的基于注意力的模型实现了最先进的性能。
2022-12-15 cs.LG
DeepSeasons: a Deep Learning scale-selecting approach to Seasonal Forecasts
Princeton University（普林斯顿大学）
本文提出了一种名为DeepSeasons的新型深度学习方法，通过先进的神经网络架构和历史气候数据集识别气候变量中的非线性模式，以低于传统GCM方法的成本实现相似或更优的季节性预测技能，并支持针对特定区域或变量的定制化直接预测，为气候敏感行业的长期预测与风险管理提供了新途径。
2025-08-31 cs.LG physics.ao-ph
DBLoss: Decomposition-based Loss Function for Time Series Forecasting
East China Normal University（东华师范大学）
针对现有MSE损失难以准确捕捉预测区间内季节性与趋势的问题，提出基于分解的DBLoss损失函数，通过指数移动平均分解分量并分别加权计算损失，可适配各类预测模型，显著提升了现有最优模型在多数据集上的性能。
2025-10-27 cs.LG
Maximizing the Impact of Deep Learning on Subseasonal-to-Seasonal Climate Forecasting: The Essential Role of Optimization
Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Alibaba DAMO Academy（阿里巴巴达摩院）；University of the Chinese Academy of Sciences（中国科学院大学）
针对次季节至季节气候预测中深度学习模型性能不佳的问题，本文提出多阶段优化策略，通过解决滚动预测训练中雅可比矩阵乘积累积问题，显著提升预测指标，优于现有NWP系统。
2024-11-23 cs.AI cs.LG physics.ao-ph
Sparse Transformer with Local and Seasonal Adaptation for Multivariate Time Series Forecasting
University of Nevada, Reno（内华达大学雷诺分校）；Missouri State University（密苏里州立大学）；East Carolina University（东卡罗来纳大学）
针对Transformer在多元时间序列预测中的计算复杂度和全历史依赖问题，提出Dozer Attention稀疏机制与Dozerformer框架，在九个基准数据集上验证了高效且不损失精度。
2024-07-15 cs.CL cs.LG
Report the Floor: A Training-Free Conformal Interval Is a Mandatory Baseline for Probabilistic Time-Series Forecasting
Independent researcher（独立研究者）
提出无参数、无训练的共形朴素区间作为概率预测的强基线，在2217个真实序列上击败了多种现有方法，并主张其应成为强制性基准。
2026-06-08 cs.LG stat.ML
Forecasting seasonal criminality using SARIMA: an application to monthly aggravated assaults in California
本文针对加州加重袭击案的季节性增长问题，采用公开犯罪数据与 SARIMA 模型预测月度案件，可提前六个月获得合理准确的结果，为资源配置和公共政策提供支持。
2023-06-05 stat.AP
Recurrent Neural Networks for Time Series Forecasting: Current Status and Future Directions
Monash University（莫纳什大学）
循环神经网络（RNN）已经成为有竞争力的预测方法，最值得注意的是最近的M4竞赛的获胜方法。然而，ETS和ARIMA等已建立的统计模型不仅因其高准确性而受到欢迎，而且还因其强大，高效和自动化而适用于非专家用户。在这些领域，RNN还有很长的路要走。我们提出了一个广泛的实证研究和现有的RNN预测架构的开源软件框架，使我们能够制定指导方针和最佳实践。例如，我们得出结论，如果数据集中的序列具有均匀的季节模式，则RNN能够直接对季节性进行建模，否则我们建议进行去季节化步骤。与ETS和ARIMA的比较表明，实现的（半）自动RNN模型不是银弹，但在许多情况下它们是有竞争力的替代品。
2020-12-23 cs.LG cs.NE stat.ML
KEDformer:Knowledge Extraction Seasonal Trend Decomposition for Long-term Sequence Prediction
School of Information Technology, Guangxi Police College（广西警察学院信息技术学院）；Juniata College（朱尼亚塔学院）
针对Transformer类模型长序列预测计算效率低、泛化性差的问题，提出融合季节-趋势分解的知识提取驱动框架KEDformer，通过聚焦自注意力高信息量权重降本、分量分解增强模式捕捉能力，在5个跨领域数据集上验证了有效性。
2024-12-06 cs.AI cs.LG stat.ML
SSDNet: State Space Decomposition Neural Network for Time Series Forecasting
The University of Sydney（悉尼大学）
在本文中，我们提出了SSDNet，这是一种用于时间序列预测的新型深度学习方法。SSDNet将Transformer架构与状态空间模型相结合，以提供概率和可解释的预测，包括趋势和季节性组件以及对预测重要的先前时间步长。Transformer架构用于直接有效地学习时间模式并估计状态空间模型的参数，而不需要卡尔曼滤波器。我们在五个数据集上全面评估了SSDNet的性能，表明SSDNet在准确性和速度方面是一种有效的方法，优于最先进的深度学习和统计方法，并且能够提供有意义的趋势和季节性成分。
2021-12-19 cs.LG
An Error Correction Mid-term Electricity Load Forecasting Model Based on Seasonal Decomposition
Southwest University（西南大学）；Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（中国科学院重庆绿色智能技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）
针对中期电力负荷预测中误差累积问题，提出基于季节性分解和堆叠集成的误差修正模型ECLF，结合LSTM与XGBoost，在中国两城市数据上表现优于基准模型。
2023-06-19 cs.LG eess.SP
Deep Particulate Matter Forecasting Model Using Correntropy-Induced Loss
Yonsei University（延世大学）
韩国的颗粒物（PM）浓度对人类生活产生了强烈的负面影响，因此对其进行预测已成为当务之急。在大多数统计或机器学习方法中，假设独立和相同分布的数据，例如高斯分布;然而，空气污染和天气数据等时间序列不满足此假设。本研究应用最大相关熵回归损失准则（MCCR）分析大气污染与天气资料的统计特性。由于空气污染和天气数据具有复杂的季节性模式，而且即使在去季节化之后数据仍具有重尾分布，因此对它们进行了严格的季节性调整。MCCR损失被应用于多个模型，包括传统的统计模型和最先进的机器学习模型。结果表明，MCCR损失比传统的均方误差损失更适合于预测极值。
2021-08-30 cs.LG stat.AP stat.ML
CESNET-TimeSeries26: A Multi-Year Network Traffic Time Series Dataset for Annual Seasonality, Concept Drift, and Long-Term Anomaly Detection
Czech Technical University in Prague（布拉格捷克技术大学）；CESNET a.l.e.
本文提出CESNET-TimeSeries26数据集，其包含CESNET3网络的4.5年流量数据，可用于评估预测模型的年度季节性适应性，解决现有数据集时长不足的问题。
2026-10-14 cs.AI cs.LG cs.NI
Boosted Ensemble Learning based on Randomized NNs for Time Series Forecasting
Częstochowa University of Technology（琴斯托霍瓦工业大学）；Facebook（脸书）
时间序列预测是一个具有挑战性的问题，特别是当一个时间序列表示多个季节性，非线性趋势和变化的方差。在这项工作中，预测复杂的时间序列，我们提出了集成学习，这是基于随机神经网络，并提高了三种方式。这些包括基于残差、校正目标和相对响应的集成学习。后两种方法用于确保所有集合成员解决类似的预报任务，这证明在集合的所有阶段使用完全相同的基础模型是合理的。统一所有成员的任务简化了集成学习，并提高了预测精度。这一点在一项涉及预测具有三重季节性的时间序列的实验研究中得到了证实，在该研究中，我们比较了我们的三种集成增强变体。基于RandNN的建议集成的优点是非常快速的训练和基于模式的时间序列表示，从时间序列中提取相关信息。
2022-03-02 cs.LG
CirT: Global Subseasonal-to-Seasonal Forecasting with Geometry-inspired Transformer
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）；DAMO Academy, Alibaba Group（阿里巴巴达摩院）
针对次季节到季节气候预测，提出几何启发环形Transformer（CirT），通过纬度环形补丁和傅里叶自注意力建模空间周期性，在ERA5数据集上超越PanguWeather和GraphCast等先进模型。
2025-02-27 cs.CV cs.LG
Profit-oriented sales forecasting: a comparison of forecasting techniques from a business perspective
KU Leuven（鲁汶大学）；University of Southampton（南安普顿大学）
选择最适合预测数据的技术是任何预测应用程序中都会出现的问题。几十年的研究已经产生了大量的预测方法，这些方法来自统计学，计量经济学和机器学习（ML），这导致在任何预测中都要做出非常困难和精心的选择。本文旨在通过比较35个时间序列的大量技术来促进这一过程，这些时间序列由可口可乐公司的行业数据和公开数据集组成。然而，本文介绍了一种新颖的、完全自动化的利润驱动方法，该方法考虑了一种技术在模型构建和评估过程中可以创造的预期利润，而不是仅仅关注预测结果的准确性。用于此目的的预期利润函数易于理解，并通过将预测准确性与业务专业知识相结合来适应任何情况。此外，我们还研究了ML技术的附加值，外部因素的纳入和季节性模型的使用，以确定哪种类型的模型在战术销售预测中效果最好。我们的研究结果表明，简单的季节性时间序列模型始终优于其他方法，利润驱动的方法可能会导致选择不同的预测模型。
2020-02-03 cs.LG econ.EM stat.ML
Pattern Similarity-based Machine Learning Methods for Mid-term Load Forecasting: A Comparative Study
Częstochowa University of Technology（琴希托霍瓦工业大学）
基于模式相似性的方法被广泛应用于分类和回归问题。在季节性时间序列中观察到的重复的、形状相似的周期鼓励人们应用这些方法进行预测。在本文中，我们使用模式相似性为基础的方法来预测月度电力需求表示年度季节性。模型的一个组成部分是使用时间序列模式的时间序列表示。模式表示通过趋势滤波和方差均衡保证了输入和输出数据的统一。因此，模式表示简化了预测问题，并允许我们使用基于模式相似性的模型。我们考虑了四个这样的模型：最近邻模型，模糊邻域模型，核回归模型和一般回归神经网络。通过聚合输出模式构建回归函数，其中权重取决于输入模式之间的相似性。所提出的模型的优点是：清晰的操作原理，少量的参数调整，快速优化过程，良好的泛化能力，工作在最新的数据没有再训练，鲁棒性丢失的输入变量，并生成一个向量作为输出。在实验部分的工作，所提出的模型被用来预测35个欧洲国家的月度需求。将模型性能与ARIMA、指数平滑等经典模型以及多层感知器、神经模糊系统、长短期记忆模型进行了比较。结果表明，所提出的模型的高性能优于比较模型的准确性，简单性和易于优化。
2020-03-03 cs.LG stat.ML
Zero-shot Forecasting by Simulation Alone
Amazon（亚马逊公司）；UC Berkeley（加州大学伯克利分校）；New York University（纽约大学）；University of Washington（华盛顿大学）
SarSim0通过SARIMA模型生成模拟数据，实现高效的零样本时间序列预测，超越现有统计模型和基线方法。
2026-01-02 cs.LG
DMamba: Decomposition-enhanced Mamba for Time Series Forecasting
Harbin Engineering University（哈尔滨工程大学）；Capital Normal University（首都师范大学）
DMamba通过分解时间序列并利用不同复杂度的模块提升预测性能，实现对趋势和季节性成分的精准建模。
2026-02-09 cs.AI cs.LG
LSTM-MSNet: Leveraging Forecasts on Sets of Related Time Series with Multiple Seasonal Patterns
Monash University（莫纳什大学）
生成具有多个季节性周期的时间序列的预测是当今许多行业的重要用例。在这些情况下，有必要考虑到多季节模式，以产生更准确和有意义的预测。在本文中，我们提出了长短期记忆多季节网络（LSTM-MSNet），一个基于分解的，统一的预测框架，预测具有多个季节模式的时间序列。该领域的现有技术通常是单变量方法，其中独立地估计每个时间序列的模型参数。因此，这些模型无法包括时间序列集合可能共享的关键模式和结构。相比之下，LSTM-MSNet是一个全局训练的长短期记忆网络（LSTM），其中跨所有可用的时间序列构建单个预测模型，以利用一组相关时间序列中的交叉序列知识。此外，我们的方法结合了一系列最先进的多季节分解技术来补充LSTM学习过程。在我们的实验中，我们能够证明，在来自不同数据源的数据集上，例如流行的M4预测竞赛，分解步骤是有益的，而在来自单个应用程序的同质序列的常见现实情况下，外源季节变量或根本没有季节预处理是更好的选择。所有选项都很容易包含在框架中，使我们能够在这两种情况下实现有竞争力的结果，优于许多最先进的多季节预测方法。
2020-04-27 cs.LG cs.NE stat.AP
TS2Vec-Ensemble: An Enhanced Self-Supervised Framework for Time Series Forecasting
Department of Computer Science and Engineering（计算机科学与工程系）；University of Moratuwa（莫塔瓦大学）
TS2Vec-Ensemble通过融合预训练动态与显式时间特征，提升长跨度时间序列预测性能。
2025-11-27 cs.LG
Meteorological time series forecasting based on MLP modelling using heterogeneous transfer functions
University of Corsica（科西嘉大学）；CNRS（法国国家科学研究中心）；University of Galatasaray（加拉塔萨雷大学）
在本文中，我们建议研究四个气象和季节性的时间序列加上多层感知器（MLP）建模。我们选择将隐藏层节点的两个传递函数结合起来，并使用时间指示符（时间索引作为输入），以考虑所研究时间序列的季节性。预测的结果涉及两年的测量和学习步骤，八个独立的年份。我们表明，这种方法可以提高气象数据估计的准确性相比，一个经典的MLP建模具有均匀的传递函数。
2014-04-29 cs.LG
DSAT-HD: Dual-Stream Adaptive Transformer with Hybrid Decomposition for Multivariate Time Series Forecasting
Computer Science and Technology（计算机科学与技术）；Harbin Engineering University（哈尔滨工程大学）；Traditional Chinese Medicine Data Center（传统中医数据中心）；China Academy of Chinese Medical Sciences（中国中医科学院）
针对多尺度特征捕捉与固定季节分解的局限，本文提出 DSAT-HD，通过混合分解、自适应多尺度路径和双流残差学习提升预测性能与跨场景泛化能力。
2025-09-29 cs.AI cs.LG
TeleViT: Teleconnection-driven Transformers Improve Subseasonal to Seasonal Wildfire Forecasting
National Observatory of Athens（雅典国家天文台）；Harokopio University of Athens（雅典哈罗科皮奥大学）；Universitat de València（瓦伦西亚大学）
提出遥相关驱动的视觉 Transformer（TeleViT），通过整合局地与全球尺度输入捕捉地球系统时空相互作用，显著提升全球野火长期预测精度，在较大预测窗口中表现尤为突出。
2023-08-02 cs.AI cs.CV cs.LG
Climate Model Driven Seasonal Forecasting Approach with Deep Learning
Istanbul Technical University（伊斯坦布尔技术大学）
了解季节性气候条件对于更好地管理水、能源和农业等资源至关重要。最近，人们对在气候研究中利用人工智能方法的力量产生了极大的兴趣。本文介绍了一种先进的深度学习模型（UNet++），该模型由最先进的全球CMIP 6模型训练，使用ERA 5再分析数据集预测未来一个月的全球气温。ERA 5数据集还用于微调以及验证数据集中的性能分析。三种不同的设置（CMIP 6; CMIP 6 + elevation; CMIP 6 + elevation + ERA 5微调）与UNet和UNet++算法一起使用，产生六种不同的模型。对于每个模型，使用了14种不同的顺序和非顺序时间设置。平均绝对误差（MAE）分析显示，UNet++与CMIP 6（高程）和ERA 5微调模型（“3年2月”时间病例）提供了最佳结局，MAE为0.7。对ERA 5数据值和相应AI模型预测值之间的验证数据集进行回归分析，结果显示斜率和$R^2$值接近1，表明一致性非常好。AI模型预测的结果明显好于2016年至2021年期间CMIP 6的平均集合。这两个模型预测夏季比冬季更准确。
2023-02-21 cs.AI cs.CV cs.LG
ES-dRNN: A Hybrid Exponential Smoothing and Dilated Recurrent Neural Network Model for Short-Term Load Forecasting
Facebook；Czestochowa University of Technology（琴斯托霍瓦技术大学）
短期负荷预测是一个具有挑战性的问题，因为时间序列具有三种季节性模式和非线性趋势。本文提出了一种新的混合层次深度学习模型，该模型处理多个季节性，并产生点预测和预测区间（PI）。它结合了指数平滑（ES）和循环神经网络（RNN）。ES动态地提取每个单独TS的主要成分，并启用动态去季节化，这在相对较小的数据集上操作时特别有用。多层RNN配备了一种新型的扩张递归单元，旨在有效地对TS中的短期和长期依赖性进行建模。为了改进内部TS表示，从而提高模型的性能，RNN同时学习ES参数和将输入转换为预测的主映射函数。我们比较我们的方法与几个基线方法，包括经典的统计方法和机器学习（ML）的方法，对35个欧洲国家的STLF问题。实证研究清楚地表明，该模型具有较高的表达能力，解决非线性随机预测问题的TS包括多个季节性和显着的随机波动。事实上，它在准确性方面优于统计和最先进的ML模型。
2021-12-05 cs.LG cs.NE
CATS-Linear: Classification Auxiliary Linear Model for Time Series Forecasting
School of Science, Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）科学学院）；Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳））；University of Lille, France（里尔大学）；School of Science, Great Bay University, Dongguan, China（东莞大湾大学科学学院）
针对线性预测模型增强方法不足的问题，提出CATS-Linear，通过分类辅助通道独立性和改进的趋势-季节分解架构，在固定超参数下达到与调参基线相当的SOTA精度。
2025-10-09 cs.AI cs.LG
