FredNormer: Frequency Domain Normalization for Non-stationary Time Series Forecasting
SANKEN, Osaka University(大阪大学SANKEN机构);Florida State University(佛罗里达州立大学)
本文提出即插即用模块 FredNormer,通过频率稳定性度量和可学习权重层自适应增强关键频率分量,解决了时域归一化无法捕获频域动态模式的问题,显著提升了非平稳时间序列预测性能。
2024-10-16 cs.LG stat.ML
Frequency Adaptive Normalization For Non-stationary Time Series Forecasting
Central South University(中南大学);University of Amsterdam(阿姆斯特丹大学);Zhejiang Lab(之江实验室)
本文提出频率自适应归一化(FAN),通过傅里叶变换识别实例级主要频率成分并建模输入输出频率差异,以同时处理非平稳时间序列中的动态趋势和季节性模式,在多个模型和数据集上显著提升预测精度。
2024-09-30 cs.AI cs.LG
Bilinear Input Normalization for Neural Networks in Financial Forecasting
Tampere University(坦佩雷大学);Aarhus University(奥胡斯大学)
数据规范化是构建机器学习模型时最重要的预处理步骤之一,特别是当感兴趣的模型是深度神经网络时。这是因为使用随机梯度下降优化的深度神经网络对输入变量范围敏感,并且容易出现数值问题。不同于其他类型的信号,金融时间序列往往表现出独特的特征,如高波动性,非平稳性和多模态,使他们具有挑战性的工作,往往需要专业领域的知识来设计一个合适的处理管道。在本文中,我们提出了一种新的数据驱动的规范化方法,用于处理高频金融时间序列的深度神经网络。所提出的归一化方案,它考虑到金融多元时间序列的双峰特性,不需要专业知识来预处理金融时间序列,因为这一步骤被制定为端到端的优化过程的一部分。我们的实验,进行了国家的最先进的神经网络和高频数据,从两个大规模的限价订单簿来自北欧和美国市场,在预测未来的股票价格动态显着改善其他规范化技术。
2021-09-01 cs.LG q-fin.ST
GAS-Norm: Score-Driven Adaptive Normalization for Non-Stationary Time Series Forecasting in Deep Learning
University of Pisa(比萨大学);Scuola Normale Superiore(高等师范学院)
针对深度神经网络在非平稳时间序列预测中表现不佳的问题,提出结合GAS模型与DNN的自适应归一化方法GAS-Norm,可适配任意预测模型,在25种设置中21种提升了性能。
2024-10-04 cs.LG stat.ML
TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting
School of Mathematics, Harbin Institute of Technology(哈尔滨工业大学数学学院);School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院);Lee Kong Chian School of Medicine, Nanyang Technological University(南洋理工大学李科钦医学院);School of Computer Science, Wuhan University(武汉大学计算机学院);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
本文提出TimeAPN框架,通过时间与频率域联合建模和预测非平稳因素,结合自适应归一化机制提升长周期时间序列预测精度。
2026-03-18 cs.AI cs.LG
On the Role of Reversible Instance Normalization
本文研究了可逆实例归一化在时间序列预测中的作用,发现其存在冗余组件,并提出改进方法以提升模型的鲁棒性和泛化能力。
2026-03-12 cs.LG
TimeGMM: Single-Pass Probabilistic Forecasting via Adaptive Gaussian Mixture Models with Reversible Normalization
University of Science and Technology of China(中国科学技术大学)
TimeGMM通过自适应高斯混合模型与可逆归一化实现单次传递概率预测,有效提升预测精度和分布匹配度。
2026-01-18 cs.AI cs.LG
NoRIN: Backbone-Adaptive Reversible Normalization for Time-Series Forecasting
Graduate School of China Academy of Engineering Physics(中国工程物理研究院研究生部);Institute of Applied Physics and Computational Mathematics(应用物理与计算数学研究院)
NoRIN提出基于arcsinh形式Johnson S_U变换的非线性可逆归一化方法,通过两个形状参数(δ,ε)控制尾部和偏斜度,避免传统RevIN的退化问题,实验证明不同背骨需要不同归一化参数以达到最佳性能。
2026-05-11 cs.LG
Inner-Instance Normalization for Time Series Forecasting
Department of Physics, J.K. Institute of Science(J.K.科学研究院物理系);School of Science, Harbin Institute of Technology(哈尔滨工业大学科学学院);School of Science, Great Bay University(大湾大学科学学院);University of Intelligent Studies(智能研究大学)
针对时间序列预测中的实例内分布偏移问题,提出LD和LCD两种点级归一化方法,通过拟合内部分布或预测缩放系数,在公开基准上验证了其有效性。
2025-10-09 cs.AI cs.LG
CryptoL: Towards Scale Dominance and Physics Constraints Mitigation in Financial Multivariate Time Series Forecasting
Azad University(阿扎德大学);University of Isfahan(伊斯法罕大学);Iran University of Science and Technology(伊朗科技大学)
CryptoL提出统一框架,通过上下文归一化、通道依赖变换、尺度自适应稳定化和软可行性损失,缓解金融多元时间序列预测中的尺度主导与OHLC约束违反问题。
2026-09-11 cs.AI cs.CE cs.LG
Noise or Signal? Deconstructing Contradictions and An Adaptive Remedy for Reversible Normalization in Time Series Forecasting
Institute for Clarity in Documentation(文档清晰研究所);Inria Paris-Rocquencourt(巴黎-罗克琴克研究所);Rajiv Gandhi University(拉贾夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕勒实验室);Zhejiang University(浙江大学)
本研究解构时间序列预测中可逆归一化的矛盾,发现标准RevIN在异常值下MSE激增683%,而简单R$^2$-IN表现最佳,自适应A-IN却系统性失败,提出诊断驱动的警示性范式。
2025-10-06 cs.AI cs.LG
Persistence Initialization: A novel adaptation of the Transformer architecture for Time Series Forecasting
Norwegian University of Science and Technology(挪威科技大学)
时间序列预测是一个重要的问题,有许多现实世界的应用。深度神经网络的集成最近已经实现了令人印象深刻的预测准确性,但是这样大的集成在许多现实世界的设置中是不切实际的。Transformer模型已成功应用于各种具有挑战性的问题。我们提出了一个新的适应原来的Transformer架构,专注于时间序列预测的任务,称为持久性?该模型初始化为一个朴素的持久化模型,通过使用一个乘法门控机制结合剩余跳过连接。我们使用具有ReZero标准化和旋转位置编码的解码器Transformer,但是适应适用于任何自回归神经网络模型。我们评估我们提出的架构上具有挑战性的M4数据集,实现竞争力的性能相比,集成为基础的方法。我们还比较了现有的最近提出的Transformer模型的时间序列预测,表现出优越的性能M4数据集。广泛的消融研究表明,持久性神经网络导致更好的性能和更快的收敛。随着模型大小的增加,只有我们提出的自适应模型在性能上有所提高。我们还进行了额外的消融研究,以确定选择的归一化和位置编码的重要性,并发现使用旋转编码和ReZero归一化是必不可少的良好的预测性能。
2022-08-30 cs.AI cs.LG
UnitNorm: Rethinking Normalization for Transformers in Time Series
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对时间序列Transformer中传统归一化导致的问题,提出UnitNorm方法,通过范数缩放和注意力调节,在6个模型和10个数据集上显著提升预测与分类性能。
2024-05-24 cs.LG
Does Normalization Choice Matter for Causal Large Time-Series Models?
INSA Rouen Normandie, Univ Rouen Normandie Univ, LITIS UR4108(INSA Rouen Normandie, Rouen Normandie 大学, LITIS UR4108 实验室)
研究因果大规模时间序列模型中不同归一化策略对训练收敛和预测性能的影响,发现归一化选择显著影响模型效果。
2026-06-08 cs.AI cs.LG
FreqLite: A Lightweight Frequency-Decomposed Linear Model with Adaptive Reversible Normalization for Robust Long-Term Time-Series Forecasting
Hamdard University(哈姆达德大学)
提出FreqLite,一种超轻量级、通道独立的频率分解线性预测器,通过可学习的无损谱滤波器进行频带分解和线性预测,并引入自适应可逆实例归一化(A-RevIN)处理非平稳性,在长期预测基准上以更少参数和计算资源超越PatchTST等模型。
2026-05-31 cs.AI cs.CL cs.CV
Spectral Normalization and Voigt-Reuss net: A universal approach to microstructure-property forecasting with physical guarantees
University of Stuttgart(斯图加特大学);Institute of Applied Mechanics (MIB)(应用力学研究所(MIB));SC Simtech
针对机器学习预测异质材料本构性能时易产生违反物理界限的非物理预测问题,提出一种通用的谱归一化方案与Voigt-Reuss网络,先验且严格地强制预测结果满足上下界,显著提升了预测准确性与鲁棒性。
2025-04-01 cs.LG
Adaptive Ensemble Learning with Gaussian Copula for Load Forecasting
Southwest University(西南大学);State Grid Energy Research Institute Co., Ltd.(国网能源研究院有限公司)
针对数据稀疏影响负荷预测准确性的问题,提出含数据补全、ML构建和自适应集成三模块的高斯Copula自适应集成学习模型,实验证明其鲁棒性。
2025-08-25 cs.LG
Weather-Adaptive Multi-Step Forecasting of State of Polarization Changes in Aerial Fibers Using Wavelet Neural Networks
Nokia Bell Labs(诺基亚贝尔实验室);Nokia(诺基亚)
本文提出一种天气自适应方法,结合离散小波变换与天气数据,对架空光纤中的多尺度偏振态变化进行多步预测,在RMSE和MAPE上分别比基线提升65%和63%。
2024-09-05 cs.LG cs.NI
Making forecasting self-learning and adaptive -- Pilot forecasting rack
TCS(塔塔咨询服务公司)
针对零售部分品类需求预测准确率低的问题,研究提出预测机架方法,通过决策模型根据状态动态选最优算法,结合高级特征工程的AI/ML模型将针织品品类预测准确率从60%提升至80%,且易适配不同客户场景。
2023-06-12 cs.AI cs.LG q-fin.CP
STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting
Southern University of Science and Technology(南方科技大学);The University of Tokyo(东京大学);University of Technology Sydney(悉尼科技大学)
针对交通预测中捕捉复杂时空模式的难题,本研究提出时空自适应嵌入组件,搭配普通Transformer构建的STAEformer在5个真实数据集上达SOTA,验证了该嵌入在捕捉时空关联与时序信息上的关键作用。
2023-10-08 cs.LG
Extreme Adaptive Transformer for Time Series Forecasting
Department of Computer Science, Missouri State University(密苏里州立大学计算机科学系)
针对时间序列中罕见极端事件预测难题,提出Exformer框架,通过包含局部、步长和极端三个稀疏分量的极端自适应注意力机制,显式建模正常与极端事件的时间依赖,在四个水文数据集上实现更优的3天预测性能。
2026-07-03 cs.LG
ForecastCompass: Guiding Agentic Forecasting with Adaptive Factor Memory
Pennsylvania State University(宾夕法尼亚州立大学)
提出ForecastCompass框架,通过分层预测任务分类和双组件记忆(因子记忆与推理记忆),结合回顾分析迭代修正,提升智能体在动态环境中的概率预测准确性和校准性。
2026-11-06 cs.LG
TA-SparseMG: Trend-Aware Sparse Forecasting via Multi-Scale Gating for Long-Term Time Series
School of Mathematical Sciences, Guizhou Normal University(贵州师范大学数学科学学院);School of Big Data and Computer Science, Guizhou Normal University(贵州师范大学大数据与计算机科学学院)
提出TA-SparseMG轻量级模型,结合趋势感知归一化、尺度自适应门控去噪和多尺度门控注意力MLP模块,解决长期时间序列预测中的非平稳性、高频干扰和跨周期依赖问题,在多个基准上取得稳定优异性能。
2026-06-29 cs.LG
Disentangling Heterogeneous Traffic Dynamics for Multi-Step Traffic Forecasting via Adaptive Spectral Decomposition
Beijing Normal-Hong Kong Baptist University(北京师范大学-香港浸会大学联合国际学院);Dalian Maritime University(大连海事大学);National Chung Hsing University(国立中兴大学)
针对多步交通预测中异构动态难以分离的问题,提出自适应分解网络ADNet,通过可学习谱分解将信号分为主导与残差组件,并双分支建模,在TraffiDent数据集上多数比较中取得最优。
2026-09-23 cs.LG
SAGDFN: A Scalable Adaptive Graph Diffusion Forecasting Network for Multivariate Time Series Forecasting
Nanyang Technological University(南洋理工大学);Harbin Institute of Technology(Shenzhen)(哈尔滨工业大学(深圳));NCS Pte Ltd(NCS私人有限公司);DAMO Academy, Alibaba group(阿里巴巴达摩院)
针对现有时空图神经网络在大规模多变量时间序列预测中可扩展性差、性能受限的问题,提出无需空间先验知识的SAGDFN,可适配数千节点数据集,在大规模数据集上性能显著优于现有最优方法。
2024-06-18 cs.LG
MultiResFormer: Transformer with Adaptive Multi-Resolution Modeling for General Time Series Forecasting
Layer 6 AI;University of Toronto(多伦多大学);The Vector Institute(向量研究所)
提出MultiResFormer,通过自适应选择最优patch长度并利用多分支周期性编码,在长期和短期预测中优于现有Transformer和CNN基线,且参数更少。
2024-02-08 cs.LG
AirFlow: Context Preserving and Multi-Rate State Modeling for Air Quality Forecasting
School of Software Technology, Zhejiang University(浙江大学软件学院)
AirFlow是一种基于站点多元观测的双流空气质量预测框架,通过统计引导归一化路由和分层双流状态模型,在36项指标中获34项最优,参数与计算开销低,性能优于现有方法。
2026-08-11 cs.AI cs.CE cs.LG
Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion
AMSS, Chinese Academy of Sciences(中国科学院自动化研究所);AMAP, Alibaba Group(阿里巴巴集团)
本研究提出FALDA概率时间序列预测框架,基于DMRR框架结合傅里叶分解与轻量去噪器DEMA,降低认知不确定性,在六个基准上长期预测表现优于现有方法,且比SOTA点预测方法性能最高提升9%。
2025-05-16 cs.LG
TimePre: Bridging Accuracy, Efficiency, and Stability in Probabilistic Time-Series Forecasting
Tohoku University(东京大学);WPI;Texas A&M University(德克萨斯大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校);UIUC(伊利诺伊大学香槟分校);Georgia Tech(佐治亚理工学院);MIT(麻省理工学院);University of Southern California(南加州大学);San Diego State University(圣地亚哥州立大学)
TimePre结合MLP模型的高效性与MCL方法的分布灵活性,通过SIN层解决精度、效率与稳定性之间的平衡问题,实现在概率时间序列预测中的高精度与高速度。
2026-08-12 cs.CV cs.LG
Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing
University of Washington(华盛顿大学)
针对流式数据实时预测中的非平稳与计算限制挑战,提出WORK-DMD方法,结合随机傅里叶特征与在线动态模式分解及滚动窗口Sherman-Morrison更新,实现单次遍历、固定成本的高精度预测,尤其擅长短期预测,为深度学习提供高效替代。
2025-10-17 cs.LG
AGMA: Adaptive Gaussian Mixture Anchors for Prior-Guided Multimodal Human Trajectory Forecasting
本文提出AGMA,通过两阶段方法构建表达性先验,提升多模态人类轨迹预测的准确性和多样性,实验表明其在ETH-UCY等数据集上达到SOTA性能。
2026-04-14 cs.CV cs.LG
AdaCast: Conditional Parameter Generation for Adaptive Time Series Forecasting
Auburn University(奥本大学)
针对现有时间序列预测适配方法无法适配输入时间序列动态的局限,提出AdaCast框架,通过生成器生成特定输入的低秩参数更新,在6个基准测试中优于静态基线并提升零样本泛化能力。
2026-10-09 cs.AI cs.LG
Conformalized Adaptive Forecasting of Heterogeneous Trajectories
University of Southern California(南加州大学)
针对运动规划中异构轨迹行为不确定性难可靠估计的问题,提出融合多类共形预测与异方差处理技术的共形化自适应预测方法,可生成带有限样本保证的高信息量轨迹预测带。
2024-05-15 cs.LG stat.ML
BSAT: B-Spline Adaptive Tokenizer for Long-Term Time Series Forecasting
BSAT通过B样条曲线自适应分割时间序列,结合混合位置编码提升长期预测性能,适用于高压缩率和内存受限场景。
2026-01-02 cs.LG
Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach
Massachusetts Institute of Technology(麻省理工学院);Sloan School of Management(斯隆管理学院);Operations Research Center(运筹学中心)
本文提出基于自适应鲁棒优化(ARO)的时间序列预测集成方法,通过动态调整模型权重构建线性回归集成,在多个实际应用中显著降低均方根误差和条件风险价值,优于现有集成技术。
2026-11-17 cs.AI cs.LG math.OC
ARROW: An Adaptive Rollout and Routing Method for Global Weather Forecasting
East China Normal University(华东师范大学);The Hong Kong Polytechnic University(香港理工大学)
本文提出ARROW方法,通过多区间预测模型和强化学习调度器,解决全球天气预报中空间多尺度依赖和rollout策略平衡问题,实现最先进的预测性能。
2026-03-31 cs.AI cs.LG
Adaptive tumor growth forecasting via neural & universal ODEs
Boston University(波士顿大学);Vizuara AI Labs(Vizuara人工智能实验室)
本文提出基于神经与通用微分方程的自适应肿瘤生长预测方法,通过学习实验数据提升预测精度,以指导更有效的治疗策略。
2025-11-27 cs.AI cs.LG
ASTGI: Adaptive Spatio-Temporal Graph Interactions for Irregular Multivariate Time Series Forecasting
School of Data Science and Engineering, East China Normal University, Shanghai, China(东华大学数据科学与工程学院,上海,中国);Engineering Research Center of Blockchain Data Management, Ministry of Education, China(教育部区块链数据管理工程研究中心,中国)
本文提出ASTGI框架,通过自适应时空图交互解决不规则多变量时间序列预测中的数据表示和动态依赖捕捉问题,实验表明其优于现有方法。
2026-03-12 cs.LG
SaDI: A Self-adaptive Decomposed Interpretable Framework for Electric Load Forecasting under Extreme Events
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);The University of Hong Kong(香港大学)
针对极端事件下电力负荷预测样本少、负荷波动大需可解释性的问题,提出整合多维度时间建模、外部变量触发损失与GAM的SaDI框架,在两类数据集上较SOTA算法预测性能平均提升22.14%。
2023-06-14 cs.LG
Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting
Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Tongji University(同济大学);Shenzhen University(深圳大学)
针对Transformer和MLP方法在时间序列预测中的各自局限,提出基于MLP的自适应多尺度分解框架,通过多尺度分解与聚合模块建模依赖关系,在多数据集预测任务中实现最优性能与高效计算。
2025-04-15 cs.LG
Adaptive Information Routing for Multimodal Time Series Forecasting
LG AI Research(LG人工智能研究)
本文提出自适应信息路由框架,通过动态利用文本信息优化时间序列模型,提升多模态预测的准确性。
2025-12-23 cs.AI cs.LG
AWGformer: Adaptive Wavelet-Guided Transformer for Multi-Resolution Time Series Forecasting
School of Computer Engineering and Science(计算机工程与科学学院);Shanghai University(上海大学)
AWGformer通过自适应小波分解与跨尺度注意力机制,提升多分辨率时间序列预测的精度与效率。
2026-01-28 cs.LG
Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting
Beijing University of Posts and Telecommunications(北京邮电大学);Didi Research Institute, Didi Chuxing(滴滴出行滴滴研究院)
交通预测是智能交通系统中时空学习任务的一个典型例子。现有的方法在图卷积神经运算符中使用预定矩阵来捕获空间依赖性。然而,显式图结构丢失了节点之间关系的一些隐藏表示。此外,传统的图卷积神经操作符不能聚合图上的长距离节点。为了克服这些限制,我们提出了一种新的网络,时空自适应图卷积与注意力网络(STAAN)的流量预测。首先,我们采用自适应依赖矩阵,而不是使用一个预定义的矩阵在GCN处理来推断节点之间的相互依赖关系。其次,我们集成了基于图注意力网络的PW-注意力,该网络是为全局依赖而设计的,GCN是空间块。更重要的是,堆叠膨胀的一维卷积,在长期预测的效率,采用在我们的时间块捕获不同的时间序列。我们在两个真实世界的数据集上评估了我们的STAAN,实验验证了我们的模型优于最先进的基线。
2022-06-07 cs.GR cs.LG
TimeCF: A TimeMixer-Based Model with adaptive Convolution and Sharpness-Aware Minimization Frequency Domain Loss for long-term time seris forecasting
School of Computer Science and Engineering(计算机科学与工程学院)
提出TimeCF模型,基于TimeMixer结合自适应卷积与锐度感知最小化频域损失,解决多尺度分析中通道独立导致的自相关次优问题,提升长期时间序列预测性能。
2025-05-23 cs.LG
AdaMixT: Adaptive Weighted Mixture of Multi-Scale Expert Transformers for Time Series Forecasting
School of Computer Science, Peking University(北京大学计算机科学系);Center for Machine Learning Research, Peking University(北京大学机器学习研究中心);Tsinghua University(清华大学)
AdaMixT通过门控网络动态融合多尺度分块、通用预训练模型与领域特定模型,解决了现有多元时间序列预测中单尺度特征提取和融合不足的问题,并在多个基准上验证了有效性。
2025-09-09 cs.LG
Adaptive Oscillatory-State Alignment for Time Series Forecasting
University of Science and Technology of China(中国科学技术大学)
提出AOSNET框架,通过希尔伯特变换将固定模板匹配改为自适应振荡状态对齐,以处理实际时间序列中的非平稳振荡行为,在多个基准上达到先进或竞争性精度。
2026-06-15 cs.DB cs.LG
Pathformer: Multi-scale Transformers with Adaptive Pathways for Time Series Forecasting
East China Normal University(华东师范大学);Alibaba Group(阿里巴巴集团);Aalborg University(奥尔堡大学)
针对现有时间序列预测Transformer尺度受限的问题,提出整合双注意力与自适应路径的多尺度模型Pathformer,在11个真实数据集上取得最优性能且泛化性更强。
2024-09-15 cs.LG
Scaleformer: Iterative Multi-scale Refining Transformers for Time Series Forecasting
Simon Fraser University(西蒙弗雷泽大学);Borealis AI
最近,由于引入了Transformers,时间序列预测的性能有了很大的提高。在本文中,我们提出了一个通用的多尺度框架,可以应用于最先进的基于变压器的时间序列预测模型(FEDformer,Autoformer等)。通过在多个尺度上使用共享权重迭代地改进预测时间序列,引入架构自适应和专门设计的归一化方案,我们能够在数据集和Transformer架构上实现显着的性能改进,从5.5%提高到38.5%,并且额外的计算开销最小。通过详细的消融研究,我们证明了我们在架构和方法上的每一个贡献的有效性。此外,我们在各种公共数据集上的实验表明,所提出的改进优于其相应的基线同行。我们的代码可在https://github.com/BorealisAI/scaleformer上公开获取。
2023-02-07 cs.LG
Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting
School of Computer Science, Xiangtan University, Xiangtan, 411105, China(计算机学院,湘潭大学,湘潭,411105,中国)
提出一种结合图神经网络与自监督预训练的自适应时空图框架,通过时空自适应机制提升多变量、多时间跨度天气预报的准确性与泛化能力。
2025-10-28 cs.AI cs.LG
Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research(IBM研究院);Stony Brook University(纽约州立大学石溪分校)
针对单一模型无法在所有样本上最优的问题,提出TimeFuse框架,通过元特征和可学习融合器实现样本级自适应融合异构模型,在长短期预测任务中普遍超越最先进单一模型。
2025-05-24 cs.AI cs.LG
StretchTime: Adaptive Time Series Forecasting via Symplectic Attention
Georgia Institute of Technology, Atlanta, GA, USA(佐治亚理工学院)
StretchTime通过辛注意力机制实现自适应时间序列预测,解决了时间扭曲问题,提升了非平稳动态数据的鲁棒性。
2026-11-03 cs.AI cs.LG
Adaptive time series forecasting with markovian variance switching
Universidad Pompeu Fabra(庞培法布拉大学);Viking Conseil(维京咨询公司);Sorbonne Université(索邦大学)
本文针对制度变化下的自适应预测问题,提出基于在线学习与专家聚合的马尔可夫切换方差估计方法,并在合成数据和电力负荷预测中验证其鲁棒性与优越性。
2024-02-22 cs.LG math.PR stat.ML
LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling
Griffith University(格里菲斯大学)
LeapTS将时间序列预测重新定义为动态调度过程,通过分层控制器和连续时间状态演化,提升预测性能并加快推理速度。
2026-05-11 cs.AI cs.LG
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting
Stanford University(斯坦福大学);University of Cologne(科隆大学);Shanghai AI Lab(上海人工智能实验室)
针对现有基于GCN的交通预测方法忽略城市空间层级的问题,提出AHSTN模型,通过自适应时空上下采样模块实现节点与簇级多尺度时空建模,在两个真实数据集上性能优于强基线。
2023-06-15 cs.AI cs.LG