A machine learning approach for forecasting hierarchical time series
University of Rome Tor Vergata（罗马第二大学）
在本文中，我们提出了一个机器学习方法预测分层时间序列。在处理分层时间序列时，除了生成准确的预测外，还需要选择一种合适的方法来生成协调的预测。预测调节是调整预测以使其在整个层次结构中保持一致的过程。在文献中，一致性往往是通过使用后处理技术的基础上产生适当的时间序列预测方法的预测。相反，我们的想法是使用深度神经网络直接产生准确和协调的预测。我们利用深度神经网络的能力来提取捕获层次结构的信息。我们在训练时通过最小化定制的损失函数来进行协调。在许多实际应用中，除了时间序列数据，层次时间序列包含解释变量，有利于提高预测精度。利用这些进一步的信息，我们的方法链接到一个端到端的神经网络提供准确和协调的点预测的层次结构和解释变量的任何级别提取的时间序列特征之间的关系。在三个真实数据集上验证了该方法的有效性，其中我们的方法在分层预测中优于最先进的竞争对手。
2021-05-03 cs.LG stat.ML
Discrete Graph Structure Learning for Forecasting Multiple Time Series
University of Connecticut（康涅狄格大学）；MIT-IBM Watson AI Lab, IBM Research（MIT-IBM沃森人工智能实验室，IBM研究院）
时间序列预测是统计学、经济学和计算机科学中广泛研究的课题。探索多元时间序列中变量之间的相关性和因果关系，有望提高时间序列模型的性能。当使用深度神经网络作为预测模型时，我们假设利用多个（多变量）时间序列之间的成对信息也可以提高其预测。如果一个显式的图结构是已知的，图神经网络（GNNs）已被证明是利用该结构的强大工具。在这项工作中，我们建议在图未知的情况下与GNN同时学习结构。我们把问题转化为通过优化图分布的平均性能来学习概率图模型。分布参数化的神经网络，使离散图可以通过重新参数化可微采样。经验评估表明，我们的方法比最近提出的用于图结构学习的双层学习方法更简单，更有效，性能更好，以及基于深度或非深度学习以及基于图或非图的各种预测模型。
2021-04-21 cs.LG stat.ML
APS-LSTM: Exploiting Multi-Periodicity and Diverse Spatial Dependencies for Flood Forecasting
Hohai University（河海大学）；Key Laboratory of Water Big Data Technology of Ministry of Water Resources（水利部水大数据技术重点实验室）；College of Computer and Software, Hohai University（河海大学计算机与软件学院）
针对洪水预测中复杂非线性时间模式与降雨—径流空间依赖难捕捉的问题，提出 APS-LSTM，通过 FFT 多周期划分、周期与空间自注意力及基于振幅的自适应聚合提升预报性能。
2024-12-07 cs.AI cs.LG
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
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
Think Globally, Act Locally: A Deep Neural Network Approach to High-Dimensional Time Series Forecasting
Amazon（亚马逊）；UT Austin（得克萨斯大学奥斯汀分校）
预测高维时间序列在需求预测、金融预测等应用中起着至关重要的作用。现代数据集可以有数百万个相关的时间序列一起演化，也就是说，它们是非常高维的（每个时间序列都是一维）。有必要利用全球模式，并将它们与本地校准相结合，以实现更好的预测。然而，文献中最新的深度学习方法都是一维的，即即使它们是在整个数据集上训练的，在预测过程中，单个维度的未来预测主要取决于同一维度的过去值。在本文中，我们试图纠正这一缺陷，并提出DeepGLO，这是一种全局思考，局部行动的深度预测模型。特别是，DeepGLO是一种混合模型，它结合了由时间卷积网络正则化的全局矩阵分解模型，以及另一个可以捕获每个时间序列和相关协变量的局部属性的时间网络。我们的模型可以在高维但多样的时间序列上有效地训练，其中不同的时间序列可以具有非常不同的尺度，而无需先验归一化或重新缩放。实证结果表明，DeepGLO可以超越最先进的方法;例如，我们在包含超过100 K维时间序列的公共数据集上看到WAPE比其他方法提高了25%以上。
2019-10-27 cs.LG stat.ML
Electricity Demand Forecasting by Multi-Task Learning
IBM Research - Ireland（IBM研究院（爱尔兰））
我们探索应用基于核的多任务学习技术来预测配电网中多个节点的电力需求。我们表明，最近开发的输出核学习技术特别适合解决这个问题，因为它们允许灵活地模拟表征电力需求数据的复杂季节性效应，同时学习和利用多个需求曲线之间的相关性。我们还证明了具有乘法结构的内核相对于广泛采用的（广义）加性模型具有更好的预测性能。我们的研究是基于爱尔兰能源监管委员会（CER）提供的住宅和工业智能电表数据。
2015-12-27 cs.LG
CoIFNet: A Unified Framework for Multivariate Time Series Forecasting with Missing Values
School of Computing and Artificial Intelligence, Southwest Jiaotong University（计算机与人工智能学院，西南交通大学）；School of Mathematics, Southwest Jiaotong University（数学学院，西南交通大学）；Institute Carbon Neutrality, Tsinghua University（碳中和研究院，清华大学）；White Rose Grid e-Science Centre, University of Leeds（白玫瑰网格e科学中心，利兹大学）
针对多元时间序列预测中缺失值问题，提出统一插补与预测的CoIFNet框架，通过跨时间步和跨变量融合模块捕获鲁棒时序依赖，在多个基准上超越现有方法，并显著提升效率。
2025-06-20 cs.LG stat.ML
Hybrid Gradient Boosting Trees and Neural Networks for Forecasting Operating Room Data
University of Washington（华盛顿大学）
时间序列数据构成了机器学习中一个独特且不断增长的问题。随着时间序列数据的语料库变得越来越大，同时学习特征并使用这些特征进行分类的深度模型可能是棘手的或次优的。在本文中，我们提出了通过长短期记忆（LSTM）网络进行特征学习和通过梯度提升树（XGB）进行预测。针对电子健康记录数据的后续设置，我们根据过去的特征预测未来5分钟低氧血症的发生。我们提出两点意见：1）长短期记忆网络在基于单个特征捕获长期依赖性方面是有效的，以及2）梯度提升树能够可追踪地组合大量特征，包括像高度和重量的静态特征。考虑到这些观察结果，我们通过使用LSTM网络执行“监督”表示学习来生成特征。使用这些特性增强原始XGB模型可以提供比任何一种单独方法更好的性能。
2018-01-24 cs.AI cs.LG stat.ML
Pairwise Markov Chains for Volatility Forecasting
Azeraf Financial Consulting（阿泽拉财务咨询）
本文提出一种基于成对马尔可夫链（PMC）的新预测算法，通过引入隐状态规避特征建模问题，使任意预测模型具备非平稳性，并在波动率预测中显著提升了GARCH(1,1)和前馈神经网络的性能。
2025-08-10 cs.LG stat.ML
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
From Forecasting Leaderboards to Deployment Decisions: A Fail-Closed Certification Protocol
Chungbuk National University（忠北大学）
提出一种故障关闭认证协议，通过统计检验和部署反转条件，确保预测排行榜冠军在指定决策接口下可部署行动，避免因摩擦导致的次优部署。
2026-06-25 cs.LG
KFS: KAN based adaptive Frequency Selection learning architecture for long term time series forecasting
本文提出KFS架构，通过频域能量分布选择主导频率和KAN复杂模式表示，提升多尺度时间序列预测性能。
2025-08-06 cs.LG
Perceive, Route and Modulate: Dynamic Pattern Recalibration for Time Series Forecasting
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Tsinghua University（清华大学）；Squirrel Ai Learning
本文提出动态模式再校准（DPR），通过轻量级'感知-路由-调制'流程，实现时间序列预测中动态模式的自适应调整，提升模型对局部动态变化的响应能力。
2026-05-07 cs.LG
Back to the Future: Look-ahead Augmentation and Parallel Self-Refinement for Time Series Forecasting
Korea University（韩国大学）
Back to the Future通过前瞻性增强和并行自我修正提升时间序列预测的稳定性与准确性。
2026-02-02 cs.AI cs.LG
A Multi-scale Representation Learning Framework for Long-Term Time Series Forecasting
Southeast University（东南大学）
针对长期时间序列预测中多粒度信息利用不足等问题，提出基于MLP的多尺度预测框架MDMixer，通过多尺度并行预测、动态粒度融合与双分支时序建模，在8个基准上较TimeMixer平均MAE提升4.64%，兼顾效率与可解释性。
2025-05-16 cs.LG
IdealTSF: Can Non-Ideal Data Contribute to Enhancing the Performance of Time Series Forecasting Models?
IdealTSF通过整合理想正负样本提升时间序列预测性能，利用非理想数据增强模型表现。
2025-12-16 cs.AI cs.LG
Probabilistic water demand forecasting using quantile regression algorithms
University of Patras（帕特雷大学）；Roma Tre University（罗马第三大学）；National Technical University of Athens（雅典国立技术大学）
机器和统计学习算法可以可靠地自动化并大规模应用。因此，它们可以成为设计实用预测系统的重要资产，例如与城市用水需求有关的预测系统。分位数回归算法是一种统计和机器学习算法，可以以简单的方式提供概率预测，迄今为止尚未应用于城市需水量预测。在这项工作中，我们的目标是填补这一空白，自动化和广泛比较几个基于分位数回归的实用系统的概率提前一天的城市用水量预测。为了设计实际的系统，我们使用五个单独的算法（即，分位数回归、线性提升、广义随机森林、梯度提升机和分位数回归神经网络算法），它们的均值组合器和中值组合器。比较是通过利用一个大型的城市水流量数据集，以及几种类型的水文气象时间序列（被认为是预测设置中的外生预测变量）。结果大多有利于使用线性升压算法设计的实际系统，可能是由于城市水流量时间序列中存在的趋势。平均值和中位数组合的预测也被发现是熟练的一般条款。
2021-04-16 cs.LG stat.ME stat.ML
Forecasting with time series imaging
Beihang University（北京航空航天大学）；Central University of Finance and Economics（中央财经大学）
基于时间序列的时间序列表示在广泛的时间序列分析方法中引起了极大的关注。近年来，利用时间序列特征进行预测模型平均已成为预测界的一个新兴研究热点。然而，大多数现有的方法依赖于手动选择一组适当的功能。利用机器学习方法从时间序列中自动提取特征在最先进的时间序列分析中变得至关重要。在本文中，我们介绍了一种自动化的方法来提取时间序列特征的基础上时间序列成像。我们首先将时间序列转换成递归图，从其中可以使用计算机视觉算法提取局部特征。提取的特征用于预测模型平均。我们的实验表明，预测的基础上自动提取的功能，更少的人为干预和更全面的原始时间序列数据，产生高度可比的性能与最大的预测竞争数据集（M4）的最佳方法，并优于旅游预测竞争数据集的顶级方法。
2020-06-05 cs.CV cs.LG stat.CO
RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting
Dept. of EECS, MIT（麻省理工学院电子工程与计算机科学系）；Harvard University（哈佛大学）
针对概率时间序列预测中分布建模不佳、训练与评估指标不匹配的问题，提出结合点估计、残差条件扩散与双向Mamba网络的即插即用框架RDIT，理论证明可通过最优标准差最小化CRPS，在8个多变量数据集上取得更优性能与更快推理。
2025-09-02 cs.AI cs.LG
Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting
针对概率预测中分布灵活性与均值准确性的权衡，提出两阶段奇数残差流框架，解耦均值预测与不确定性估计，在长短时域预测中同时实现最优确定性精度与出色密度估计性能。
2026-08-12 cs.AI cs.LG
Probabilistic Forecasting and Simulation of Electricity Markets via Online Dictionary Learning
研究了随机发电和随机需求的实时电力市场的概率预测和在线仿真问题。利用直流最优潮流的参数结构，提出了一种基于在线字典学习（ODL）的新方法。ODL方法结合了实时测量和历史轨迹，以预测未来位置边际价格、潮流和调度水平的联合和边际概率分布，并以预测时的系统状态为条件。与标准的蒙特卡罗模拟技术相比，ODL方法在计算时间上提供了几个数量级的改进，使其成为可行的在线预测的市场运作。对大中型电力系统的数值仿真表明了该算法的性能和复杂性，以及它作为系统运行人员工具的潜力。
2016-06-25 stat.AP stat.ML
Time-Prompt: Integrated Heterogeneous Prompts for Unlocking LLMs in Time Series Forecasting
Central South University, Changsha, China（中南大学，长沙，中国）
本文提出Time-Prompt框架，通过构建统一的提示范式、设计语义空间嵌入和跨模态对齐模块以及高效微调LLM参数，提升时间序列预测性能，并在碳排放数据集上验证其有效性。
2026-05-20 cs.AI cs.LG
Probabilistic Load Forecasting Based on Adaptive Online Learning
BCAM-Basque Center for Applied Mathematics（巴斯克应用数学中心（BCAM））；IKERBASQUE-Basque Foundation for Science（巴斯克科学基金会（IKERBASQUE））
针对传统负荷预测无法评估不确定性、难捕捉消费模式动态变化的问题，提出基于隐马尔可夫模型自适应在线学习的概率负荷预测方法，经多数据集验证可在广泛场景下显著提升预测性能。
2024-08-15 cs.LG stat.ML
Deep Non-Parametric Time Series Forecaster
Amazon（亚马逊）；Zalando
本文提出非参数时间序列预测基线模型，通过从经验分布采样生成预测，并开发全局版本自动学习采样策略，在多个数据集上表现稳定，可作为强基线。
2023-12-22 cs.LG stat.ML
BLAST: Balanced Sampling Time Series Corpus for Universal Forecasting Models
Institute of Computing Technology, Chinese Academy of Sciences（计算技术研究所，中国科学院）；State Key Laboratory of AI Safety（人工智能安全国家重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）
针对通用时间序列预测模型训练数据多样性不足的问题，提出BLAST语料库，通过均衡采样策略整合3210亿观测值，实现最先进性能并大幅降低计算资源。
2025-05-27 cs.LG
A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19
Indian Institute of Technology Indore（印度印多尔印度理工学院）
本研究提出Multilateral Attention-enhanced GRU模型，利用多源数据和注意力机制捕捉复杂时间依赖关系以预测COVID-19等传染病爆发，并整理了多源数据集，实验证明该模型在RMSE和MAE指标上超越现有技术。
2024-08-26 cs.LG
Multi-Order Wavelet Derivative Transform for Deep Time Series Forecasting
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；Squirrel AI Learning
多阶小波导数变换通过提取时间感知模式，提升深度时间序列预测的精度与效率。
2026-02-06 cs.LG
Merlin: Multi-View Representation Learning for Robust Multivariate Time Series Forecasting with Unfixed Missing Rates
Institute of Computing Technology, Chinese Academy of Sciences（计算技术研究所，中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）
针对多元时间序列预测中缺失值分布变化、现有模型鲁棒性不足的问题，提出包含离线知识蒸馏与多视图对比学习的Merlin方法，实现不同缺失率下的语义对齐，在保持精度的同时提升模型鲁棒性，经四个真实数据集验证效果优异。
2025-06-14 cs.AI cs.LG stat.ML
Fairness in Forecasting and Learning Linear Dynamical Systems
University College Dublin（都柏林大学学院）；Czech Technical University in Prague（布拉格捷克理工大学）；Imperial College London（帝国理工学院）
在机器学习中，训练数据通常捕获一些底层人类群体的多个子群体的行为。当子组的训练数据的量没有被仔细控制时，出现代表性不足偏差。我们引入两个自然的概念，分组公平性和瞬时公平性，以解决这种代表性不足的时间序列预测问题的偏见。特别是，我们认为子群公平和即时公平学习的线性动力系统（LDS）从不同长度的多个轨迹，以及相关的预测问题。我们提供了全局收敛的方法，使用层次的非交换多项式优化问题的凸化的学习问题。我们的实证结果有偏见的数据集的动机保险应用程序和著名的COMPAS数据集证明了公平性的考虑对统计性能的有益影响和鼓励利用稀疏性对运行时间的影响。
2021-01-02 cs.LG math.DS math.ST
Unlocking the Potential of Deep Learning in Peak-Hour Series Forecasting
Tsinghua University（清华大学）
针对深度学习在高峰时段序列预测中性能不佳的问题，提出含CyclicNorm流水线和混合损失无参解码器的Seq2Peak框架，在四个真实数据集上平均相对提升达37.7%。
2023-09-30 cs.AI cs.LG
MGTS-Net: Exploring Graph-Enhanced Multimodal Fusion for Augmented Time Series Forecasting
针对时间序列预测中细粒度模式提取、多模态融合和多尺度适应不足的问题，本文提出图增强的 MGTS-Net，通过 MFE、MFF 与 MSP 实现高效优越预测。
2025-10-18 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
AutoMixer for Improved Multivariate Time-Series Forecasting on Business and IT Observability Data
IBM Research（IBM研究院）
针对BizITObs多变量时序中有用与噪声通道交互难以解耦的问题，提出结合AutoEncoder通道压缩预训练与TSMixer微调的AutoMixer基础模型，将Biz-KPI预测准确率持续提升11%至15%。
2023-11-02 cs.AI cs.LG
Beyond Static Positional Encoding: Bayesian Time-aware Attention for Non-Stationary Long-term Time Series Forecasting
Rice University（莱斯大学）；University of Hong Kong（香港大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
该研究针对非平稳长期时间序列预测问题，提出贝叶斯时间感知注意力机制，通过概率视角分析静态位置编码的局限，经实验验证其可提升Transformer的预测性能且开销适中。
2026-10-14 cs.AI 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
UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting
National University of Singapore（新加坡国立大学）；The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出UniTime统一模型，通过领域指令、Language-TS Transformer和掩码策略解决跨域时间序列预测中的数据特征差异、领域区分困难和收敛速度不平衡问题，在预测性能和零样本迁移上达到领先水平。
2024-02-23 cs.LG
Exploiting statistical dependencies of time series with hierarchical correlation reconstruction
Jagiellonian University（雅盖隆大学）
虽然我们通常专注于预测时间序列的未来值，但额外预测其整个概率分布通常是有价值的，例如评估风险，蒙特卡洛模拟。在$\approx$ 30000道琼斯工业指数的时间序列的示例中，将呈现用于此目的的分层相关重构的应用：MSE估计多项式作为（当前值，上下文）的联合密度，其中上下文例如是几个先前值。然后替换当前观察到的上下文并将密度归一化为1，我们得到当前值的预测概率分布。与像神经网络这样的标准机器学习方法相比，这里的最佳多项式系数具有廉价的直接公式，具有可控的准确性，是唯一的且独立计算的，每个都具有特定的累积量样解释，并且这种近似可以渐近地接近任何真实联合分布的完整描述-提供定量描述和利用时间序列中的统计依赖性的通用工具，系统地增强ARMA/ARCH类方法，也基于与高斯分布不同的分布，这对于每日日志回报是不合适的。还讨论了非平稳时间序列的应用，如计算线性时间趋势，或适应系数的本地统计行为。
2019-01-23 cs.LG stat.ML
Fuzzy-MoE: Interpretable Regime-Conditioned Expert Routing for Non-Stationary Multivariate Time Series Forecasting
本文提出Fuzzy-MoE模型，通过双视图模糊路由器实现可解释专家路由，在非平稳多元时间序列预测中显著优于主流方法，同时具备透明可追溯的机制。
2026-08-24 cs.AI cs.LG
From Fourier to Koopman: Spectral Methods for Long-term Time Series Prediction
University of Washington（华盛顿大学）
我们提出了长期预测的时间信号的线性和非线性准周期动力系统的谱方法。对于线性信号，我们引入了一种算法，与傅立叶变换相似，但不依赖于周期性假设，允许预测给定的潜在任意采样间隔。然后，我们扩展该算法来处理非线性利用库普曼理论。由此产生的算法在一个非线性的，依赖于数据的基础上进行频谱分解。这两种算法的优化目标是高度非凸的。然而，在频域中表达的目标，使我们能够计算全局最优的误差表面在一个可扩展的和有效的方式，部分利用快速傅立叶变换的计算特性。由于它们与贝叶斯谱分析的密切关系，不确定性量化度量是谱预测方法的自然副产品。我们在一系列合成实验以及现实世界的电力系统和流体流动的背景下，对这些算法进行了广泛的基准测试。
2020-04-01 cs.LG eess.SP stat.ML
Reconstructing a dynamical system and forecasting time series by self-consistent deep learning
Nanyang Technological University（南洋理工大学）；School of Materials Science and Engineering（材料科学与工程学院）
我们引入了一个自洽的深度学习框架，该框架针对嘈杂的确定性时间序列，提供无监督过滤、状态空间重构、基础微分方程的识别和预测。没有先验信息的信号，我们嵌入的时间序列的状态空间，其中确定性的结构，即吸引子，被揭示。在假设解的轨迹演化是由一个未知的动力系统描述的情况下，我们滤除随机离群点。嵌入函数，解决方案的轨迹和动力系统的构造使用深度神经网络，分别。通过利用神经解轨迹的可微性，神经动力系统在每个时间被局部地定义，减轻了通过数值求解器传播梯度的需要。在一个被加性高斯噪声掩盖的混沌时间序列上，我们证明了所提出的框架的滤波能力和预测能力。
2021-08-04 cs.LG math.DS
Adapting to the Unknown: Robust Meta-Learning for Zero-Shot Financial Time Series Forecasting
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对零样本金融时间序列预测现有元学习方法表现不佳的问题，提出基于GMM软聚类的双类型元任务构建方法结合难任务挖掘，在高波动及新兴市场数据上实现更优的零样本泛化性能。
2025-08-01 cs.LG
Optimized Dynamic Mode Decomposition for Reconstruction and Forecasting of Atmospheric Chemistry Data
University of Washington（华盛顿大学）；Morgan State University（摩根州立大学）；NASA Global Modelling and Assimilation Office, Goddard Space Flight Center（美国国家航空航天局戈达德航天中心全球建模与同化办公室）
本文提出优化动态模式分解算法，构建高效降阶模型，用于全球大气化学数据的重建与预测，成功提取主要特征并适应非平稳数据。
2024-04-13 cs.LG math.DS physics.ao-ph
Multiple cyclicity and Wavelet Decomposition with Channel Correlation for Long-term Time Series Forecasting
School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院）
提出McWC模型，通过多层周期性构建、多层感知机提取通道相关性、多级小波分解融合高低频信息，并在频域解耦通道内自相关，实现高效准确的长期预测。
2026-06-17 cs.AI cs.LG
Stealing profits: Spread-based temporal hierarchy forecasting for day-ahead electricity markets
Wrocław University of Science and Technology（弗罗茨瓦夫理工大学）；Indicio Technologies AB（因迪西奥科技公司）
本研究提出时序层次预测框架，通过协调小时电价与日内价差预测，在欧洲两市场提升精度达19.7%、利润达10.4%，并揭示统计精度提升未必带来经济决策改善。
2026-09-22 cs.LG econ.EM q-fin.ST
FRWKV:Frequency-Domain Linear Attention for Long-Term Time Series Forecasting
College of Information Science and Engineering（信息科学与工程学院）
FRWKV通过频率域线性注意力机制提升长序列时间序列预测的效率与准确性
2025-12-09 cs.LG
Tackling Data Heterogeneity in Federated Time Series Forecasting
The University of Queensland（昆士兰大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；City University of Hong Kong（香港城市大学）；Griffith University（格里菲斯大学）；Institute of Science Tokyo（东京科学大学）
针对联邦时间序列预测中的数据异质性问题，提出Fed-TREND框架，通过生成两类合成数据增强客户端训练一致性并优化全局模型，兼容主流模型且在多数据集实验中证明有效。
2024-11-24 cs.CR cs.IR cs.LG
Enhancing Time Series Forecasting through Selective Representation Spaces: A Patch Perspective
East China Normal University（华东师范大学）
本文提出选择性表示空间模块SRS，通过自适应选择和重组补丁提升时间序列预测性能，SRSNet在多个领域数据集上取得最佳效果。
2025-12-16 cs.LG
Discovering and forecasting extreme events via active learning in neural operators
Massachusetts Institute of Technology（麻省理工学院）；Brown University（布朗大学）
社会和自然界中的极端事件，如流行病高峰，流氓波或结构故障，可能会产生灾难性的后果。描述极端情况是困难的，因为它们很少发生，从看似良性的条件下产生，属于复杂的，往往是未知的无限维系统。这些挑战使得将其定性为无实际意义的尝试成为可能。我们通过将贝叶斯实验设计（BED）中的新型训练方案与深度神经运算符（DNO）集成相结合来解决这些困难。这个模型不可知的框架对BED计划，积极选择数据量化极端事件与DNO的合奏，近似无限维非线性算子。我们发现，这个框架不仅明显优于高斯过程（GP），而且1）只有两个成员的浅集合表现最好; 2）无论初始数据的状态如何，极端都被发现（即有或没有极端）; 3）我们的方法消除了“双下降”现象; 4）与逐步全局最优相比，使用批量次优采集点不会妨碍BED性能;以及5）蒙特卡洛采集在高维中优于标准优化器。这些结论共同构成了人工智能辅助实验基础设施的基础，该基础设施可以有效地推断和确定从物理到社会系统的许多领域的关键情况。
2022-09-20 cs.LG nlin.CD physics.data-an
Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting
The Swiss AI Lab IDSIA（瑞士人工智能实验室IDSIA）；Università della Svizzera italiana（瑞士意大利语大学）；Imperial College London（帝国理工学院）；Politecnico di Milano（米兰理工大学）
本文提出基于图的统一关系与层次归纳偏置的深度预测方法，通过可训练图池化学习层次结构并引入可微分协调阶段，实验优于现有方法。
2024-08-21 cs.AI cs.LG
TimeEmb: A Lightweight Static-Dynamic Disentanglement Framework for Time Series Forecasting
Jilin University（吉林大学）；The Hong Kong Polytechnic University（香港理工大学）；Xi’an Jiaotong University（西安交通大学）；City University of Hong Kong（香港城市大学）
针对时间非平稳性下静态与动态模式混淆的问题，本文提出轻量级 TimeEmb 框架，通过全局嵌入和频域滤波解耦时不变与时变分量，以更低计算成本提升预测性能。
2025-10-20 cs.AI cs.LG
U-Cast: Learning Hierarchical Structures for High-Dimensional Time Series Forecasting
Emory University（埃默里大学）
针对高维时间序列预测中的复杂层级通道关联问题，提出U-Cast架构与Time-HD基准，通过查询注意力和全秩正则化提升预测准确率与效率。
2025-09-29 cs.LG
A Market-Rule-Informed Neural Network for Efficient Imbalance Electricity Price Forecasting
Delft University of Technology（代尔夫特理工大学）；Austrian Institute of Technology（奥地利技术研究院）；London Business School（伦敦商学院）；University of Technology Sydney（悉尼大学）；The Chinese University of Hongkong (Shenzhen)（香港中文大学（深圳））
本文提出一种融合市场规则的神经网络框架，用于高效预测不平衡电力价格，通过减少训练参数和时间实现更可持续的工业能源交易预测。
2026-05-09 cs.LG q-fin.CP
DisenTS: Disentangled Channel Evolving Pattern Modeling for Multivariate Time Series Forecasting
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
针对多元时间序列预测中统一建模难以适配不同通道演化模式的问题，提出DisenTS框架，通过多预测器解耦建模、FAG模块自适应路由及相似性约束优化，提升预测效果。
2024-10-30 cs.LG
