Hierarchical Time Series Forecasting with Operator-Valued Kernels
Califrais
该研究针对分层时间序列预测的一致性与统计保证问题，提出基于算子值核的统一框架，通过构造结构化算子值核确保预测满足分层约束，经合成与真实数据集验证了方法的有效性。
2026-10-14 cs.LG stat.ML
TempoPFN: Synthetic Pre-training of Linear RNNs for Zero-shot Time Series Forecasting
University of Freiburg（弗赖堡大学）；Prior Labs（普赖尔实验室）
TempoPFN通过合成预训练线性RNN，实现高效零样本时间序列预测，超越现有方法并提供可重复的研究基础。
2026-11-03 cs.AI cs.LG stat.ML
MIMIC-Extract: A Data Extraction, Preprocessing, and Representation Pipeline for MIMIC-III
Layer 6 AI；University of Toronto（多伦多大学）；Massachusetts Institute of Technology（麻省理工学院）；Tufts University（塔夫茨大学）；Microsoft Research（微软研究院）
强大的机器学习依赖于对数据的访问，这些数据可以在重要任务中与标准化框架一起使用，并且能够开发其性能可以合理再现的模型。在医疗保健领域的机器学习中，由于缺乏可公开访问的数据和标准化的数据处理框架，社区面临着可重复性的挑战。我们提出MIMIC-Extract，一个开源管道，用于将公共MIMIC-III数据库中包含的重症监护患者的原始电子健康记录（EHR）数据转换为可直接用于常见机器学习管道的框架。MIMIC-Extract解决了使复杂的健康记录数据可供更广泛的机器学习社区访问的三个主要挑战。首先，它提供了标准化的数据处理功能，包括单位转换、离群值检测和聚合语义等效特征，从而解决重复问题并减少遗漏。其次，它保留了临床数据的时间序列性质，并且可以很容易地集成到健康机器学习中的临床可行预测任务中。最后，它具有高度的可扩展性，因此其他有相关问题的研究人员可以轻松使用相同的管道。我们通过展示几个基准任务和基准结果来演示此管道的实用性。
2020-08-19 cs.LG stat.ML
Autism Spectrum Disorder Classification using Graph Kernels on Multidimensional Time Series
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；University of California, Davis（加利福尼亚大学戴维斯分校）
我们提出了一种方法来模型时间序列数据从静息状态fMRI自闭症谱系障碍（ASD）的严重程度分类。我们建议采用核机器，并采用图形内核，定义两个图形之间的核点积。这使我们能够利用时空信息来捕捉大脑网络的动态，而不是在空间或时间维度上聚合它们。除了传统的相似性图，我们探索使用稀疏编码的L1图，和时间延迟嵌入的持久同源性，在提出的管道ASD分类。在我们的实验中，两个数据集的ABIDE集合，我们证明了一个一致的和显着的优势，在使用图形内核传统的线性或非线性内核的各种时间序列功能。
2016-11-29 cs.LG stat.ML
Combining Statistical Features and Deep Encodings for Rehearsal-Based Class-Incremental Time Series Classification
atlanTTic – ICLAB, Universidade de Vigo（atlanTTic–ICLAB，维戈大学）；Centro Tecnolóxico de Telecomunicacións de Galicia (GRADIANT)（加利西亚电信技术中心（GRADIANT））；Universidade de Vigo（维戈大学）
提出一种双流特征提取管道（结合预训练冻结基础模型的深度时间嵌入特征与统计特征），用于多变量时间序列的类增量持续学习，在五个基准数据集上实现了有竞争力的平均准确率和低遗忘率。
2026-06-02 cs.LG stat.ML
Evaluating time series forecasting models: An empirical study on performance estimation methods
LIAAD-INESC TEC；University of Porto（波尔图大学）；Dalhousie University（达尔豪斯大学）；Jožef Stefan Institute（约热夫·斯特凡研究所）
性能估计的目的是估计预测模型在看不见的数据上会产生的损失。这些程序是每个机器学习项目中管道的一部分，用于评估预测模型的整体泛化能力。在本文中，我们解决了这些方法的时间序列预测任务的应用。对于独立同分布的数据，最常用的方法是交叉验证。然而，时间序列中的观测之间的依赖性提出了一些关于估计这类数据性能的最适当方法的警告，目前还没有确定的方法。我们使用两个案例研究比较了交叉验证和样本外方法的不同变体：一个是62个真实世界的时间序列，另一个是三个合成时间序列。结果表明，在两种情况下的性能估计方法的显着差异。特别是，实证实验表明，交叉验证方法可以应用于平稳的时间序列。然而，在现实世界的情况下，当不同来源的非平稳变化在发挥作用时，最准确的估计是由样本外的方法，保持观察的时间顺序。
2019-05-28 cs.LG stat.ML
Diffusion-based Time Series Imputation and Forecasting with Structured State Space Models
Oldenburg University（奥尔登堡大学）
本文提出SSSD模型，结合条件扩散模型与结构化状态空间模型，用于时间序列插补与预测，在多种缺失场景下达到或超越最先进性能，包括黑障缺失场景。
2023-05-06 cs.LG stat.ML
Enhancing Multivariate Time Series-based Solar Flare Prediction with Multifaceted Preprocessing and Contrastive Learning
Utah State University（犹他州立大学）
本研究提出了一种新颖的预处理流程和结合对比学习与GRU回归模型的ContReg分类器，用于基于多元时间序列的太阳耀斑预测，显著提升了TSS得分并超越了现有方法。
2024-09-21 astro-ph.SR cs.AI cs.LG
A Joint Model for IT Operation Series Prediction and Anomaly Detection
Xiamen University（厦门大学）；Bonree Inc.（博睿数据）
状态预测和异常检测是IT系统自动监控的两个基本任务。在本文中，联合模型预测器和异常检测器（PAD）提出了一个框架下解决这两个问题。在我们的设计中，变分自动编码器（VAE）和长短期记忆（LSTM）结合在一起。预测块（LSTM）从VAE重构的时间序列中获取干净的输入，这使得它对预测任务的异常和噪声具有鲁棒性。与此同时，LSTM块保持长期的顺序模式，这些模式在VAE编码窗口之外。这导致VAE在异常检测中的性能比单独训练时更好。在整个处理流水线中，光谱残差分析与VAE和LSTM集成，以提高两者的性能。在两个具有挑战性的评估基准上的实验证实了在两个任务上的优越性能。
2021-04-22 cs.LG stat.ML
Extended Deep Adaptive Input Normalization for Preprocessing Time Series Data for Neural Networks
Imperial College London（伦敦帝国学院）；American Express（美国运通公司）
提出EDAIN自适应归一化层，端到端学习时间序列数据的归一化方式，在合成数据、信用违约和限价订单簿数据集上优于传统方法。
2024-02-29 cs.LG stat.ML
Textual Data for Time Series Forecasting
EDF R&D（法国电力公司研发部）；Aix-Marseille Université（艾克斯-马赛大学）；Université de Lyon 2（里昂第二大学）；Université Paris-Est（巴黎东部大学）
虽然无处不在，但诸如公司报告、社交媒体帖子等文本信息源几乎不包括在时间序列的预测算法中，尽管它们可能包含相关信息。在这项工作中，来自法国和英国的公开访问的每日天气报告被用来预测国家电力消耗，平均温度和风速的时间序列与一个单一的管道。两种方法的文本的数值表示，即传统的词频-逆文档频率（TF-IDF），以及我们自己的神经词嵌入。仅使用文本，我们能够以足够的准确度预测上述时间序列，以用于替换丢失的数据。此外，所提出的词嵌入显示与时间序列的行为和词之间的上下文相似性有关的几何特性。
2019-10-29 cs.CL cs.LG stat.ML
tsflex: flexible time series processing & feature extraction
IDLab, Ghent University - imec（根特大学-imec IDLab）
时间序列处理和特征提取是传统机器学习流水线中的关键且时间密集的步骤。现有的软件包在其适用性方面受到限制，因为它们不能处理不规则采样或异步数据，并且对数据格式做出强有力的假设。此外，这些包不关注执行速度和内存效率，导致相当大的开销。我们提出了$\texttt{tsflex}$，一个用于时间序列处理和特征提取的Python工具包，它专注于性能和灵活性，具有广泛的适用性。该工具箱利用与序列索引相同数据类型的窗口步幅参数，并在所有操作中维护序列索引。$\texttt{tsflex}$是灵活的，因为它支持（1）多变量时间序列，（2）多窗口步长配置，（3）与其他软件包的处理和功能集成，同时（4）不对数据采样规律、序列对齐和数据类型进行假设。其他功能包括多处理、详细的执行日志记录、分块序列和序列化。基准测试表明，与类似的软件包相比，$\texttt{tsflex}$速度更快，内存效率更高，同时在使用上更宽容和灵活。
2021-12-22 cs.LG eess.SP stat.ML
Persistent Homology of Time Series through Complex Networks
Institute of Applied Mathematics, Middle East Technical University（中东技术大学应用数学研究所）；TÜBİTAK ULAKBİM（土耳其科学技术研究理事会国家学术网络中心）
本文提出通过复杂网络和持久同调进行单变量时间序列分类的统一流程，实验表明最佳网络构造取决于信号的判别结构，图距离度量影响分类性能，持久特征在噪声下表现稳定。
2026-09-28 cs.LG math.AT stat.AP
Review of automated time series forecasting pipelines
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；RWTH Aachen University（亚琛工业大学）；Forschungszentrum Jülich GmbH（于利希研究中心有限公司）
时间序列预测是不同领域（如能源系统和经济学）各种用例的基础。为特定用例创建预测模型需要一个迭代且复杂的设计过程。典型的设计过程包括五个部分（1）数据预处理，（2）特征工程，（3）超参数优化，（4）预测方法选择，和（5）预测集成，它们通常被组织在流水线结构中。一个有前途的方法来处理不断增长的需求，时间序列预测是自动化的设计过程。因此，本文分析了现有的文献自动化时间序列预测管道，研究如何自动化的预测模型的设计过程。因此，我们在单个预测管道中考虑自动机器学习（AutoML）和自动统计预测方法。为此，我们首先提出并比较了建议的自动化方法，为每个管道部分。其次，我们分析了自动化方法的相互作用，组合和覆盖的五个管道部分。对于这两个，我们讨论的文献，找出问题，给出建议，并建议未来的研究。这一审查表明，大多数文件只涉及五个管道部分中的两个或三个。我们的结论是，未来的研究必须从整体上考虑预测管道的自动化，以实现时间序列预测的大规模应用。
2022-02-03 cs.LG
TimeGym: Debugging for Time Series Modeling in Python
我们介绍了TimeGym Forecasting Toolkit，这是一个用于测试和调试时间序列预测管道的Python库。TimeGym通过为新出厂的预测管道提供通用测试来简化测试预测管道。这些测试基于时间序列的常见建模挑战。我们的库使预测人员能够将测试驱动开发方法应用于预测建模，使用指定的预言机生成带有噪声的人工数据。
2021-05-04 cs.LG
FMTK: A Modular Toolkit for Composable Time Series Foundation Model Pipelines
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of California Los Angeles（加州大学洛杉矶分校）
FMTK提供了一个模块化工具包，用于构建和微调时间序列基础模型流水线，通过标准化的主干和组件抽象实现灵活组合和高效性能。
2025-11-30 cs.AI cs.LG
The FreshPRINCE: A Simple Transformation Based Pipeline Time Series Classifier
School of Computing Sciences, University of East Anglia（东英吉利大学计算科学学院）
针对时间序列分类，提出基于TSFresh特征提取和旋转森林分类器的简单流水线FreshPRINCE，在UCR数据集上表现优于DTW最近邻，可作为合理基准。
2022-01-28 cs.LG
Castor: Contextual IoT Time Series Data and Model Management at Scale
我们展示了Castor，一个基于云的系统，用于大规模的上下文物联网时间序列数据和模型管理。Castor旨在帮助数据科学家（a）探索和检索其预测建模任务所需的所有相关时间序列和上下文信息;（b）在云生产环境中无缝存储和部署其预测模型;（c）监控生产中所有预测模型的性能，并在性能恶化时（半）自动重新训练它们。Castor的主要特点是：（1）实时处理物联网时间序列数据的高效管道;（2）针对时间序列和上下文数据的可扩展混合数据管理服务;（3）上下文信息的通用语义模型，可以轻松地应用于不同的应用领域;（4）用于在R或Python中开发和存储预测模型的抽象框架;（5）根据用户定义的条件自动训练和/或评分预测模型的部署服务。我们展示了一个现实世界的智能电网用例的Castor，并讨论了它如何可以采用到其他应用领域，如智能建筑，电信，零售或制造。
2019-02-08 stat.CO stat.OT
Enabling Interactivity on Displays of Multivariate Time Series and Longitudinal Data
时态数据是在时间背景下测量的信息。这种上下文结构提供了需要探索以理解数据的组件，并且可以形成应用于图的交互的基础。在多元时间序列中，我们期望看到时间依赖性、长期和季节性趋势以及互相关。在纵向数据中，我们还期望受试者内部和受试者之间的依赖性。时间序列和纵向数据虽然分析方式不同，但通常使用类似的显示方式绘制。我们提供了一个分类图上的交互，可以使这些数据类型的时间组件探索，并描述如何使用数据转换来构建这些交互。由于时态数据通常伴随着其他类型的数据，我们还描述了如何将时态图与其他数据显示相关联。这些想法被概念化为时态数据的数据管道，并在R包cranvas中实现。该软件包提供了许多不同类型的交互式图形，可以一起使用来探索数据或诊断模型拟合。
2014-12-20 stat.CO
Toward a Data Processing Pipeline for Mobile-Phone Tracking Data
针对手机追踪数据的处理需求，本文提出受分箱算法启发的统计框架，结合particle Gibbs算法实现平滑，将含噪时间戳定位转换为出行轨迹，提升了轨迹估计精度，可作为未来研究的默认数据处理工具。
2025-07-01 stat.AP stat.CO
A Unified Hyperparameter Optimization Pipeline for Transformer-Based Time Series Forecasting Models
University of Luxembourg（卢森堡大学）；Monash University（莫纳什大学）
本文提出统一的超参数优化流水线，用于基于Transformer的时间序列预测模型，并在多个SOTA模型和基准数据集上验证其通用性与实用性。
2025-01-02 cs.AI cs.LG
Time Tracker: Mixture-of-Experts-Enhanced Foundation Time Series Forecasting Model with Decoupled Training Pipelines
School of Computer Science (National Pilot Software Engineering School)（计算机学院（国家级试点软件工程学院））；Beijing University of Posts and Telecommunications（北京邮电大学）；China Telecom Research Institute（中国电信研究院）
本文提出Time Tracker模型，通过稀疏混合专家和Any-variate Attention处理多变量时间序列，提升预测精度和泛化能力。
2026-03-18 cs.LG
Clairvoyance: A Pipeline Toolkit for Medical Time Series
University of Cambridge（剑桥大学）；University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）；Google Cloud AI（谷歌云AI）；University of California, Los Angeles（加州大学洛杉矶分校）
Clairvoyance 提出一个统一的端到端 autoML 友好流水线工具包，用于解决医学时间序列机器学习在工程、评估和效率上的挑战，支持个性化预测、治疗效果估计和信息获取，并通过真实医疗数据验证其可行性。
2023-10-28 cs.LG
TimeRSI: Towards Self-Improved Agentic Deployment for Time-Series Foundation Models
Georgia Institute of Technology（佐治亚理工学院）；University of Southern California（南加州大学）；Samay AI
TIMERSI是围绕冻结预测模型构建的自改进智能体部署系统，通过编码智能体迭代修订流程、自适应选择器选优，在TIME和FEV-bench的198项任务中，其6项预测指标表现优于所有提交方案，且泛化性良好。
2026-10-16 cs.LG
FlashP: An Analytical Pipeline for Real-time Forecasting of Time-Series Relational Data
Alibaba Group（阿里巴巴集团）；Renmin University of China（中国人民大学）
交互式响应时间在分析管道中非常重要，用户可以探索足够多的可能性并做出明智的业务决策。我们考虑一个预测管道与大量的高维时间序列数据。实时预测可以分两步进行。首先，我们通过切片、切割和聚合数据来指定要关注的数据部分和要预测的度量。其次，预测模型在聚合结果上进行训练，以预测指定度量的趋势。虽然有许多预测模型可用，但第一步是性能瓶颈。一个自然的想法是利用采样来实时获得近似聚合，作为训练预测模型的输入。我们的可扩展实时预测系统FlashP（Flash Prediction）就是基于这一思想构建的，本文主要解决两个挑战：首先，我们需要弄清楚近似聚合如何影响预测模型的拟合和预测结果;其次，相应地，我们应该使用什么样的采样算法来获得这些近似聚合以及样本有多大。我们介绍了一种新的采样方案，称为GSW采样，并分析了使用GSW样本估计聚集的误差界。我们介绍了如何构造紧凑的GSW样本存在多个措施进行分析。我们进行实验来评估我们的解决方案，并将其与真实数据上的替代方案进行比较。
2021-01-16 cs.DB cs.LG
VE: Modeling Multivariate Time Series Correlation with Variate Embedding
Swinburne University of Technology（斯威本科技大学）；Zhejiang University（浙江大学）
针对现有通道独立类模型难以捕捉多变量时间序列相关性的问题，提出变量嵌入（VE）流程，结合MoE与LoRA技术，可集成到带CI最终投影层的模型中，在四个常用数据集上验证了预测性能提升效果。
2024-10-31 cs.LG
Unified Zero-Shot Time Series Forecasting: A Darts Foundation
针对基础模型接口碎片化问题，Darts 开发了统一 FoundationModel 类集合，提供标准化全周期预测接口，实现零样本或微调预测、不确定性估计和回测。
2026-06-29 cs.LG
auto-sktime: Automated Time Series Forecasting
USU GmbH（USU有限公司）；University of Stuttgart（斯图加特大学）；Leibniz University Hannover（汉诺威莱布尼茨大学）；Fraunhofer IPA（弗劳恩霍夫IPA研究所）
本文提出auto-sktime框架，利用贝叶斯优化、流程模板、热启动和多保真度优化自动构建统计、机器学习与深度神经网络预测流程，在64个真实数据集上以极少人工干预超越传统方法。
2024-04-30 cs.LG
OrionBench: Benchmarking Time Series Generative Models in the Service of the End-User
MIT LIDS（麻省理工学院 LIDS）；IRD ESPACE-DEV（法国发展研究所 ESPACE-DEV）
本文提出OrionBench，一个以终端用户为中心、持续维护的无监督时间序列异常检测基准测试框架，通过通用抽象、超参数标准化和频繁发布，解决了现有基准测试一次性执行且模型覆盖有限的问题。
2024-11-24 cs.LG
TimeCap: A Scalable Open-Source Pipeline for Captioning Wearable Health Time-Series Data
TimeCap是用于可穿戴健康时间序列数据字幕生成的可扩展开源确定性流水线，基于其生成的MHCap训练的OpenTSLM-Cap在多数健康结果预测任务中优于仅用标签的基线模型。
2026-10-16 cs.CL cs.LG
One Step Closer to Ground Truth: A Multi-Scale Residual-Aware Representation Learning Pipeline for Predicting Time Series Data
RobotBulls Labs（RobotBulls实验室）；North South University（南北大学）
提出两阶段模型无关框架，通过显式解耦预测与残差学习，使用元校正器动态建模结构误差模式，提升Transformer预测精度。
2026-06-12 cs.LG
NanoForecast v0.5: Competitive Time Series Forecasting Through Training Pipeline Optimization
NanoForecast v0.5通过优化训练流程（修正损失范围、张量形状对齐和增强覆盖）在无架构改动下以650万参数超越31倍规模的TimesFM，MASE降低43.8%，并在ETT和汇率数据集上取得领先。
2026-09-29 cs.LG
Evolutionary Ensemble Learning for Multivariate Time Series Prediction
RMIT University（皇家墨尔本理工大学）；Swinburne University of Technology（斯威本科技大学）
多变量时间序列（MTS）预测在金融、能源和交通等许多领域中起着关键作用，其中每个单独的时间序列对应于从特定数据源（所谓的通道）收集的数据。构建MTS预测模型（PM）的典型流水线包括在所有可用通道中选择通道的子集，从所选通道提取特征，以及基于所提取的特征构建PM，其中每个组件涉及某些优化任务，即，通道、特征提取（FE）方法和PM的选择以及所选FE方法和PM的配置。因此，追求最佳预测性能对应于通过解决所有涉及的优化问题来优化流水线。这是一个不平凡的任务，由于广阔的解决方案空间。不同于大多数现有的工作，在优化某些组件的管道，我们提出了一种新的进化集成学习框架，以整体的方式优化整个管道。在该框架中，一个特定的管道被编码为一个候选解决方案和一个多目标的进化算法被施加在不同的人口规模，以产生多个帕累托最优集（POS）。最后，选择性集成学习的目的是选择最佳的子集的解决方案从POS和组合，以产生最终的预测，通过使用贪婪的顺序选择和最小二乘法。我们实现了所提出的框架，并评估了我们在两个现实世界的应用程序，即，用电量预测和空气质量预测。与最先进的技术的性能比较表明了所提出的方法的优越性。
2021-08-22 cs.AI cs.LG cs.NE
CausalTime: Realistically Generated Time-series for Benchmarking of Causal Discovery
Tsinghua University（清华大学）；Chinese PLA General Hospital（中国人民解放军总医院）
针对现有合成数据集难以真实评估时间序列因果发现算法性能的问题，本研究提出CausalTime流水线，基于真实数据生成带真值因果图的高保真时间序列，用于算法基准测试，可推广至多领域。
2023-10-03 cs.LG stat.ML
Geometric feature performance under downsampling for EEG classification tasks
Stitch Fix Algorithms（Stitch Fix算法部门）；American Family Insurance（美国家庭保险公司）
我们实验性地研究了一系列特征工程管道，用于与CNN一起使用，用于从波恩数据集的脑电图（EEG）时间序列中分类睁眼或闭眼。使用Takens嵌入-时间序列的几何表示-我们从EEG数据构建单纯复形。然后，我们比较$ε$ -一系列的贝蒂数和$ε$ -一系列的图谱（一种新的结构）-两个拓扑不变量的潜在几何从这些复杂的-原始的时间序列的EEG，以填补空白的基准在文献中。这些方法的灵感来自拓扑数据分析，用于特征工程，以捕获局部几何的时间序列。此外，我们测试了这些特征管道对下采样和数据减少的鲁棒性。本文旨在通过几何特征对时间序列分类以及时间序列的CNN如何响应分辨率降低的数据建立更清晰的期望。
2021-02-15 cs.LG math.AT
A Semi-Supervised Pipeline for Generalized Behavior Discovery from Animal-Borne Motion Time Series
Department of Theoretical and Computational Ecology（理论与计算生态学系）；Institute for Biodiversity and Ecosystem Dynamics（生物多样性与生态系统动力学研究所）；University of Amsterdam（阿姆斯特丹大学）
本文提出了一种半监督流程，通过KDE+HDR包含分数在有限标注和严重类别不平衡下发现生态运动时间序列中的通用行为。
2026-02-02 cs.AI cs.LG
NeuroClean: A Generalized Machine-Learning Approach to Neural Time-Series Conditioning
NeuroClean是一种通用的机器学习方法，用于神经时间序列的条件化处理，通过无监督算法有效去除伪影和噪声，提升信号质量和分类准确性。
2026-01-21 cs.LG
AutoAI-TS: AutoAI for Time Series Forecasting
IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心）
文献中已经提出了大量的时间序列预测模型，包括传统的统计模型、机器学习模型和最近的深度学习。然而，选择正确的模型以及在给定数据上表现良好的良好参数值仍然具有挑战性。自动为给定数据集的用户提供一组良好的模型，可以节省使用具有各种可用模型的试错方法以及参数优化的时间和精力。我们提出了AutoAI for Time Series Forecasting（AutoAI-TS），它为用户提供了一个零配置（zero-conf）系统，以有效地训练，优化和选择最佳预测模型。凭借其灵活的零配置设计，AutoAI-TS自动为用户执行所有的数据准备，模型创建，参数优化，训练和模型选择，并提供可供使用的训练模型。对于给定的数据，AutoAI-TS利用各种模型，包括经典统计模型、机器学习（ML）模型、人工智能-ML混合模型和深度学习模型以及各种转换来创建预测管道。然后，它使用建议的T-Daub机制来评估和排名管道，以选择最佳管道。本文详细描述了AutoAI-TS的所有技术方面，以及针对各种用例的各种真实世界数据集的广泛基准测试。基准测试结果表明，AutoAI-TS无需用户手动配置，即可自动训练和选择平均性能优于现有最先进的时间序列预测工具包的管道。
2021-03-08 cs.AI cs.LG
Adversarial Robustness of Time-Series Classification for Crystal Collimator Alignment
CERN（欧洲核子研究中心）；RWTH Aachen University（亚琛工业大学）；DESY（德国电子同步加速器研究所）
本文研究了在CERN大型强子对撞机中用于晶体准直器对准的卷积神经网络的对抗鲁棒性，通过改进预处理方法提升时间序列分类的鲁棒性。
2026-04-07 cs.CR cs.LG
Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series
Bloomberg LP（彭博有限合伙企业）
介绍用于高维非平稳时间序列因果发现的Python库Causal-TS，它含多种算法及包装器，有统一CI测试层并支持GPU加速，通过状态发现管道检测断点，还有命令行等工具提供端到端管道，可pip安装且经测试。
2026-07-28 cs.LG stat.ME
Identifying and Harnessing the Building Blocks of Machine Learning Pipelines for Sensible Initialization of a Data Science Automation Tool
Institute for Biomedical Informatics, University of Pennsylvania（宾夕法尼亚大学生物医学信息学研究所）
随着数据科学越来越受欢迎，越来越需要使数据科学工具更具可扩展性，灵活性和可访问性。特别地，自动化机器学习（AutoML）系统寻求使设计和优化机器学习流水线的过程自动化。在本章中，我们提出了一个基于遗传编程的AutoML系统，称为TPOT，它优化了一系列特征预处理器和机器学习模型，目标是在监督分类问题上最大限度地提高分类精度。此外，我们分析了以前用于解决各种监督分类问题的管道的大型数据库，并确定了100个最频繁出现的机器学习操作的短系列，我们称之为机器学习管道的构建块。我们利用这些构建块来初始化TPOT有前途的解决方案，并发现这种明智的初始化方法显着提高TPOT的性能在一个基准测试，而没有显着降低性能的成本。因此，使用机器学习管道构建块进行合理的初始化为基于GP的AutoML系统带来了希望，并且应该在未来的工作中进一步完善。
2016-07-29 cs.AI cs.LG cs.NE
NSF-MAP: Neurosymbolic Multimodal Fusion for Robust and Interpretable Anomaly Prediction in Assembly Pipelines
Artificial Intelligence Institute, University of South Carolina（南卡罗来纳大学人工智能研究所）；Clemson Composites Center, Clemson University（克莱姆森大学复合材料中心）；Intelligent Circuits, Architectures and Systems Lab, University of South Carolina（南卡罗来纳大学智能电路、架构和系统实验室）
提出NSF-MAP神经符号多模态融合框架，结合时间序列与图像的决策级融合、迁移学习及知识注入，实现装配流水线异常预测的稳健性、可解释性与性能提升。
2025-05-09 cs.AI cs.LG
Forensicability of Deep Neural Network Inference Pipelines
University of Innsbruck（因斯布鲁克大学）
我们提出了通过跟踪可观察输出中的特征数值偏差来推断机器学习管道的执行环境的属性的方法。在本地和云托管机器上获得的一系列概念验证实验的结果产生了可能的法医应用，例如识别用于产生深度神经网络预测的硬件平台。最后，我们引入边界样本，放大数值偏差，以便仅通过其预测标签来区分机器。
2021-02-18 cs.CR cs.LG cs.MM
Learning Generalized Causal Structure in Time-series
Institute of Computer Science of the Czech Academy of Sciences（捷克科学院计算机科学研究所）；Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）；National Institute of Advanced Studies（印度国家高等研究院）
因果关系科学通过提供数学工具来解释/确定系统实体之间的“因果”关系。尽管机器学习（ML）算法取得了巨大的成功和广泛的应用，但这些算法都是基于统计学习的。目前，他们还没有接近“类人”智能，因为他们无法回答和学习的基础上重要的“为什么？”“问题。因此，研究人员正试图将ML与因果关系科学相结合。在ML遇到的许多因果学习问题中，一个是这些算法对数据中的时间顺序或结构是愚蠢的。在这项工作中，我们开发了一个机器学习管道的基础上最近提出的“神经混沌”的特征学习技术（ChaosFEX特征提取器），这有助于我们学习广义混沌结构在给定的时间序列数据。
2021-12-06 cs.LG stat.ML
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
Anomaly Detection for Multivariate Time Series of Exotic Supernovae
Columbia University（哥伦比亚大学）；Princeton University（普林斯顿大学）；Flatiron Institute（弗莱迪龙研究所）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
超新星标志着恒星的爆炸性死亡，并使宇宙充满了重元素。未来的望远镜将每晚发现数千颗新的超新星，这就需要迅速标记天体物理学上有趣的事件，以便进行后续研究。理想情况下，这种异常检测管道将独立于我们当前的知识，并对意外现象敏感。在这里，我们提出了一个无监督的方法来搜索异常的时间序列实时瞬态，多变量和非周期性信号。我们使用基于RNN的变分自编码器来编码超新星时间序列，并使用隔离森林来搜索学习编码空间中的异常事件。我们将这种方法应用于12，159颗超新星的模拟数据集，成功地发现了异常超新星和具有灾难性不正确红移测量的物体。这项工作是第一个使用在线数据流的超新星异常检测管道。
2020-10-21 astro-ph.HE astro-ph.IM cs.LG
Adapt Data to Model: Adaptive Transformation Optimization for Domain-shared Time Series Foundation Models
School of Software, BNRist, Tsinghua University（软件学院、BNRist、清华大学）
TATO通过自适应转换优化提升领域适应的预测性能，显著降低MSE并提高效率。
2026-02-28 cs.LG
TimeCSL: Unsupervised Contrastive Learning of General Shapelets for Explorable Time Series Analysis
Harbin Institute of Technology（哈尔滨工业大学）；CnosDB Inc.（CnosDB公司）
本文提出端到端系统 TimeCSL，利用 CSL 无监督对比学习得到的通用可解释 Shapelet，在统一流水线中支持分类、聚类、异常检测及可探索分析。
2024-04-07 cs.DB cs.LG
Timer-M1: A Multivariate Time Series Foundation Model via Learning Primitives
ByteDance（字节跳动）
Timer-M1是一种基于基元学习的多元时间序列基础模型，通过开发基元相关的数据合成与预训练流程，在三个大规模预测基准中取得优异成绩，为通用预测技术提供了新路径。
2026-10-09 cs.AI cs.LG
Towards Robust Time Series Learning via Capacity-Centric Modulation
The Hong Kong University of Science and Technology (GZ)（香港科技大学（广州））；Central South University（中南大学）；The Hong Kong University of Science and Technology（香港科技大学）
针对时间序列学习中样本可靠性异质性导致的过/欠正则化问题，提出容量中心调制（CCM）原则及样本自适应容量调制（SACM）框架，利用频谱稀疏性分配逐样本丢弃概率，在301个数据集-骨干网络对上平均降低预测MSE 6.7%，提升分类准确率3.04%和F1 17.05%，零测试开销。
2026-10-01 cs.LG
RocketPFN: Accurate Time Series Classification via In-Context Learning
Prior Labs Team（Prior Labs）
提出RocketPFN，结合随机卷积特征提取与预训练表格基础模型的上下文分类，在92个UCR数据集上达到与最强方法HC2相当的精度，无需目标数据训练。
2026-06-23 cs.LG
Automated Few-Shot Time Series Forecasting based on Bi-level Programming
University of Exeter（埃克塞特大学）
采用可再生能源和电池存储系统的新型微电网设计有助于改善温室气体排放并降低运营成本。为了提供一个有效的短期/长期预测的能源发电和负荷需求，时间序列预测建模已成为关键工具，以指导规划和运行的最佳决策之一。时间序列可再生能源预测的关键挑战之一是缺乏历史数据来训练适当的预测模型。此外，机器学习模型的性能对其相应超参数的选择敏感。考虑到这些因素，本文开发了一个BiLO-Auto-TSF/ML框架，从双层编程的角度自动优化设计少样本学习管道。具体而言，较低级别的元学习有助于提升基础学习者以减轻小数据挑战，而在较高级别的超参数优化主动搜索基础学习者和元学习者的最佳超参数配置。请注意，所提出的框架是如此通用，以至于任何现成的机器学习方法都可以以插件的方式使用。综合实验充分证明了我们提出的BiLO-Auto-TSF/ML框架在为各种能源寻找高性能少样本学习管道方面的有效性。
2022-03-07 cs.LG cs.NE
Large language models can be zero-shot anomaly detectors for time series?
MIT（麻省理工学院）；IRD ESPACE-DEV（法国发展研究院ESPACE-DEV）
该研究提出基于大语言模型的时间序列异常检测框架sigllm，探究提示式与预测引导两种检测范式，经11个数据集验证，预测法表现更优，但仍落后于当前最优深度学习模型30%。
2024-10-31 cs.LG
Identifying Slug Formation in Oil Well Pipelines: A Use Case from Industrial Analytics
ABB Global Industries and Services Pvt. Ltd.（ABB全球工业与服务有限公司）
针对油气管道段塞检测缺乏实时性和可解释性的问题，提出一款端到端交互式数据驱动检测应用，集成数据标注、多分类器训练评估、可视化及实时警报功能，有效弥合了数据科学与工业决策的鸿沟。
2025-11-02 cs.LG
