Probabilistic Circuits for Irregular Multivariate Time Series Forecasting
ISMLL, University of Hildesheim, Germany（Hildesheim大学智能系统实验室）；VWFS, Data Analytics Research Center（数据分析研究中心）
本文提出CircuITS概率电路架构，有效捕捉多变量时间序列复杂依赖关系，提升不规则时间序列联合分布估计精度。
2026-10-14 cs.LG
Forecast-based Multi-aspect Framework for Multivariate Time-series Anomaly Detection
Visa Research（Visa研究院）
今天的网络世界是多元的。在极端品种收集的样本需要多元算法来正确检测异常。然而，基于预测的算法，作为广泛证明的方法，往往在数据集上表现不佳或不一致。一个关键的共同问题是，他们努力成为一个尺寸适合所有人，但异常是独特的性质。我们提出了一种方法，适合这种区别。介绍FMUAD -一个基于预测的多方面无监督异常检测框架。FMUAD明确地和单独地捕获异常类型的签名特征-空间变化，时间变化和相关性变化-与独立的模块。然后，这些模块共同学习最佳特征表示，这是高度灵活和直观的，不同于该类别中的大多数其他模型。大量的实验表明，我们的FMUAD框架始终优于其他国家的最先进的基于预测的异常检测器。
2022-01-13 cs.LG
Instance-wise Graph-based Framework for Multivariate Time Series Forecasting
Microsoft Research Asia（微软亚洲研究院）
多元时间序列预测由于其在金融、交通、气象等领域的重要作用而受到越来越多的关注。近年来，人们对多变量时间序列的预测进行了大量的研究。尽管之前的一些工作考虑了同一时间戳中不同变量之间的相互依赖性，但现有工作忽视了不同时间戳的不同变量之间的相互联系。在本文中，我们提出了一个简单而有效的基于实例的图形框架，利用不同时间戳的不同变量的相互依赖性进行多变量时间序列预测。我们框架的核心思想是将不同变量的历史时间序列中的信息聚合到我们需要预测的当前时间序列中。我们在交通、电力和汇率多变量时间序列数据集上进行实验。结果表明，我们提出的模型优于国家的最先进的基线方法。
2021-09-14 cs.AI cs.LG
MIM-GAN-based Anomaly Detection for Multivariate Time Series Data
Tibet University（西藏大学）；Jinan University（暨南大学）；Western University（韦仕敦大学）；Tibet Autonomous Region Plateau Complex Environmental Information Transmission and Processing Engineering Research Center（西藏自治区高原复杂环境信息传输与处理工程研究中心）；Advanced Technology Research Center of Tibet University（西藏大学先进技术研究中心）
本文提出基于MIM-GAN的无监督多元时间序列异常检测算法，通过滑动窗口和LSTM捕获时序相关性，并在损失函数中引入指数信息度量以避免局部最优和模型崩溃，实验证明其在精确率、召回率和F1分数上表现优越。
2023-10-26 cs.LG
Forecasting in multivariate irregularly sampled time series with missing values
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；IBM Almaden Research Center（IBM阿尔马登研究中心）
稀疏和不规则采样的多变量时间序列在临床、气候、金融和许多其他领域中很常见。最新的方法侧重于对此类数据的分类、回归或预测任务。在预测中，不仅要预测正确的值，而且要预测该值何时会出现在不规则的时间序列中。在这项工作中，我们提出了一种方法来预测不仅值，而且在他们预计将发生的时间。
2020-04-06 cs.DB cs.LG stat.ML
Multivariate Empirical Mode Decomposition based Hybrid Model for Day-ahead Peak Load Forecasting
准确的日前高峰负荷预测不仅对电力调度至关重要，而且对投资者、能源政策制定者和政府都具有重要意义。文献表明，1%的预测误差下降可以减少1000万英镑的运营成本。因此，本研究提出了一种新的混合预测模型建立在多元经验模式分解（MEMD）和支持向量回归（SVR）的参数优化粒子群优化（PSO），这是能够捕捉精确的电力高峰负荷。本研究的新颖性主要来自于MEMD的应用，它使得多元数据分解能够在多元随时间恶化的过程中，有效地提取不同时间频率下相关变量之间的内在信息。来自澳大利亚新南威尔士州和维多利亚州的两个实际负荷数据集验证了MEMD-PSO-SVR混合模型的优越性。结果表明，MEMD-PSO-SVR方法是一种很有前途的方法，用于日前电力高峰负荷预测。
2021-10-28 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
StationPDE: Station-Oriented Surface PDE Learning for Multi-Station Multivariate Weather Forecasting
Hunan University（湖南大学）
StationPDE通过构建地形感知连续场并分解为地表风输运与高空推断，结合数据驱动扩散分支，实现多站点多变量天气预测，在Weather2K和MeteoNet上平均MSE降低9.6%。
2026-09-25 cs.LG
Channel-wise Retrieval for Multivariate Time Series Forecasting
LG AI Research（LG AI 研究院）
本文提出CRAFT框架，通过通道级检索增强预测，利用时域稀疏关系图和频域谱相似性提升效率，实验证明在七个基准数据集上优于现有方法。
2026-07-08 cs.LG
Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate Time Series Forecasting
IBM Research（IBM研究院）
高维多变量时间序列的概率预测是一个众所周知的具有挑战性的任务，无论是在计算负担和分布建模。大多数以前的工作要么做简单的分布假设或放弃建模交叉系列的相关性。一个有前途的工作线利用可扩展矩阵分解进行潜在空间预测，但仅限于线性嵌入，无法建模分布，并且在使用深度学习预测时无法进行端到端的训练。我们介绍了一种新的时间潜在自动编码器方法，该方法能够对多变量时间序列进行非线性因式分解，并使用时间深度学习潜在空间预测模型进行端到端学习。通过施加概率潜在空间模型，输入序列的复杂分布通过解码器建模。大量的实验表明，我们的模型在许多流行的多变量数据集上实现了最先进的性能，对于几个标准指标，增益有时高达$50\%$。
2021-01-25 cs.AI cs.LG cs.NE
Only the Curve Shape Matters: Training Foundation Models for Zero-Shot Multivariate Time Series Forecasting through Next Curve Shape Prediction
Siemens Technology（西门子技术）；Tsinghua University（清华大学）
提出General Time Transformer (GTT)，通过将多变量时间序列预测表述为通道级下一个曲线形状预测问题进行预训练，在零样本预测中超越监督基线并验证了缩放律。
2024-02-19 cs.AI cs.LG
DualWeaver: Synergistic Feature Weaving Surrogates for Multivariate Forecasting with Univariate Time Series Foundation Models
School of Software, BNRist, Tsinghua University（软件学院，北京理工大学，清华大学）；Tencent（腾讯）
DualWeaver通过结构对称的替代序列提升多变量预测的准确性和稳定性，利用共享特征融合模块和无参数解码实现高效预测。
2026-02-25 cs.AI cs.LG
Spatial-Temporal Identity: A Simple yet Effective Baseline for Multivariate Time Series Forecasting
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Huazhong University of Science and Technology（华中科技大学）
多变量时间序列（MTS）预测在广泛的应用中起着至关重要的作用。最近，时空图神经网络（STGNNs）由于其最先进的性能而成为越来越受欢迎的MTS预测方法。然而，最近的作品变得越来越复杂，有限的性能改进。这一现象促使我们探索MTS预测的关键因素，并设计一个与STGNN一样强大，但更简洁有效的模型。在本文中，我们确定在空间和时间维度的样本的不可重复性作为一个关键的瓶颈，并提出了一个简单而有效的基线MTS预测附加空间和时间标识信息（STID），实现了最佳的性能和效率同时基于简单的多层感知器（MLP）。这些结果表明，我们可以设计高效和有效的模型，只要它们解决了样本的不可分辨性，而不限于STGNN。
2022-08-19 cs.LG
QiYao-I: A Manifold Based Foundation Model for Irregular Multivariate Time Series Forecasting
East China Normal University（华东师范大学）；Huawei Technologies Ltd.（华为技术有限公司）
QiYao-I提出基于流形的时间注意力与频率感知动态变量交互机制，用于不规则多元时间序列预测，在基准上超越现有模型，具备强零样本和少样本泛化能力。
2026-10-14 cs.LG
Series Saliency: Temporal Interpretation for Multivariate Time Series Forecasting
Tsinghua University（清华大学）
时间序列预测是一项重要而又具有挑战性的任务。虽然最近开发了深度学习方法来提供更好的预测结果，但提高时间序列模型的可解释性至关重要。以往的解释方法，包括一般的神经网络方法和基于注意力的方法，主要考虑特征维度的解释，而忽略了关键的时间维度。本文提出了多元时间序列预测时间解释的序列显著性框架，该框架考虑了特征和时间两个维度的预测解释。通过从时间序列的滑动窗口中提取“序列图像”，我们应用显著图分割遵循最小破坏区域的原则。序列显着性框架可以用于任何定义良好的深度学习模型，并作为数据增强来获得更准确的预测。几个真实数据集上的实验结果表明，我们的框架产生的时间序列预测任务的时间解释，同时产生准确的时间序列预测。
2020-12-16 cs.AI cs.LG
ConceptTS: LLM-Guided Concept Bottlenecks for Interpretable Multivariate Time-Series Forecasting
Stanford University（斯坦福大学）；University of California, Davis（加州大学戴维斯分校）
ConceptTS是围绕人类可理解概念的可解释多变量时间序列预测框架，利用大语言模型生成概念与标注规则，在空气质量数据集上达到与黑箱基线相当的准确率，且决策过程可解释。
2026-08-24 cs.LG
A Statistics and Deep Learning Hybrid Method for Multivariate Time Series Forecasting and Mortality Modeling
University of the Witwatersrand（金山大学）；University of Johannesburg（约翰内斯堡大学）
混合方法已被证明在预测任务和量化与这些预测（预测区间）相关的不确定性方面优于纯统计和纯深度学习方法。一个例子是指数平滑递归神经网络（ES-RNN），它是统计预测模型和递归神经网络变体之间的混合。ES-RNN在Makridakis-4预测竞赛中的绝对误差提高了9.4%。这种改进和其他混合模型的类似表现主要仅在单变量数据集上得到证明。将混合预测方法应用于多变量数据的困难包括（$i$）不简约的模型的超参数调整所涉及的高计算成本，（$ii$）与数据中固有的自相关相关联的挑战，以及（$iii$）可能难以捕获的协变量之间的复杂依赖性（互相关）。本文提出了多元指数平滑长短期记忆（MES-LSTM），这是ES-RNN的一种广义多元扩展，它克服了这些挑战。MES-LSTM使用矢量化实现。我们在2019年冠状病毒病（COVID-19）发病率数据集上测试了MES-LSTM，发现我们的混合方法在预测准确性和预测区间构建方面比纯统计和深度学习方法表现出一致的显着改进。
2021-12-16 cs.LG stat.ML
DGCformer: Deep Graph Clustering Transformer for Multivariate Time Series Forecasting
The University of Hong Kong（香港大学）；Vivo Mobile Communication Co., Ltd.（维沃移动通信有限公司）
针对多变量时间序列预测中通道依赖策略易引入无关变量致性能下降的问题，提出结合通道依赖与独立策略优势的DGCformer，经图卷积自编码器分组变量并搭配前后掩码自注意力，在8个数据集上表现优于现有最优模型。
2024-05-14 cs.LG
On the Usage of Generative Models for Network Anomaly Detection in Multivariate Time-Series
IE–FING, UDELAR（乌拉圭共和国大学工程学院信息工程系）；AIT Austrian Institute of Technology（奥地利技术研究院）
尽管多年来探索了许多用于异常检测的尝试和方法，但是数据通信网络中的罕见事件的自动检测仍然是一个复杂的问题。在本文中，我们介绍了Net-GAN，一种新的方法来检测网络异常的时间序列，使用递归神经网络（RNN）和生成对抗网络（GAN）。与传统上专注于单变量测量的最新技术不同，Net-GAN通过RNN利用时间依赖性来检测多变量时间序列中的异常。Net-GAN发现基线、多变量数据的潜在分布，而不对其性质进行任何假设，为检测复杂、难以建模的网络监控数据中的异常提供了一种强大的方法。我们进一步利用生成模型背后的概念来构思Net-VAE，这是一种基于变分自动编码器（VAE）的Net-GAN网络异常检测的补充方法。我们在不同的监控场景中评估了Net-GAN和Net-VAE，包括物联网传感器数据中的异常检测和网络测量中的入侵检测。生成模型是一种很有前途的网络异常检测方法，特别是当考虑到复杂性和不断增长的时间序列监测在运营网络。
2020-10-16 cs.AI cs.LG cs.NI
Distributed Lag Transformer based on Time-Variable-Aware Learning for Explainable Multivariate Time Series Forecasting
Changwon National University（昌原国立大学）
提出DLFormer架构，通过集成分布式滞后嵌入和时间变量感知学习机制，在十个数据集上实现了高精度且可解释的多变量时间序列预测。
2025-08-13 cs.LG
Using Pre-trained LLMs for Multivariate Time Series Forecasting
Amazon（亚马逊）
本研究利用预训练LLMs的跨领域知识迁移能力，提出多变量分块策略将时间序列特征嵌入仅解码器预训练Transformer，用于多变量需求时间序列预测，效果达当前最优水平，并通过权重诊断验证结论。
2025-01-10 cs.CL cs.LG
Hierarchical Joint Graph Learning and Multivariate Time Series Forecasting
Hanyang University（汉阳大学）
本文提出将多元时间序列建模为图节点，结合图神经网络、注意力机制和层次化信号分解捕获多种时空依赖，在多个长期预测基准上相比现有模型平均降低23%的MSE。
2023-11-30 cs.LG
CoRe: Coherence and Relational Alignment for Multivariate Time Series Forecasting
College of Computer and Information Technology, China Three Gorges University（三峡大学计算机与信息学院）；City University of New York（纽约城市大学）；University of California, Berkeley（加州大学伯克利分校）；Emory University（埃默里大学）
CoRe提出一种模型无关的损失函数，通过频率相干性和低秩关系图约束替代逐点误差，提升多元时间序列直接预测的结构保真度，实验证明其能稳定增强多种基线模型。
2026-09-18 cs.LG
Robust Multivariate Time-Series Forecasting: Adversarial Attacks and Defense Mechanisms
AWS AI Labs（亚马逊云科技人工智能实验室）；Washington State University（华盛顿州立大学）
本文研究多元时间序列预测中的对抗攻击与防御，提出稀疏对抗攻击模式，并通过随机平滑扩展和对抗训练算法提升模型鲁棒性，实验验证其攻击有效且防御优于基线。
2023-04-14 cs.CR cs.LG
HyperIMTS: Hypergraph Neural Network for Irregular Multivariate Time Series Forecasting
针对不规则多元时间序列中时间间隔不规则和观测未对齐的挑战，提出基于超图神经网络的HyperIMTS模型，通过时间和变量超边统一表示依赖关系，实现准确预测并降低计算成本。
2025-05-23 cs.LG
MultiCast: Zero-Shot Multivariate Time Series Forecasting Using LLMs
``Athena'' Research Center Greece
MultiCast提出一种基于大语言模型的零样本多变量时间序列预测方法，通过令牌复用和量化方案降低维度并保留模式，在三个数据集上优于现有方法。
2024-05-23 cs.AI cs.LG
Zero-shot Multivariate Time Series Forecasting Using Tabular Prior Fitted Networks
University of Maryland（马里兰大学）；Capital One（第一资本）
本文提出利用表格基础模型进行多变量时间序列预测，通过将问题转化为标量回归问题，实现零样本预测，使用TabPFN-TS验证方法并对比现有最佳表格方法。
2026-04-09 cs.AI cs.LG
Regions of Reliability in the Evaluation of Multivariate Probabilistic Forecasts
ServiceNow Research（ServiceNow研究院）
本文通过有限样本功效分析界定适当评分规则的“可靠区域”，并利用合成基准与电力生产任务揭示多元概率预测常用评估方法的关键缺陷。
2023-06-06 cs.LG stat.ML
Multivariate Time Series Forecasting with Latent Graph Inference
University of Amsterdam（阿姆斯特丹大学）；Amazon（亚马逊）；Zalando（Zalando（扎兰多））
本文介绍了一种新的多变量时间序列预测方法，联合推断和利用时间序列之间的关系。它的模块化使其能够与当前的单变量方法集成。我们的方法允许权衡的准确性和计算效率逐渐通过提供一个极端的推断的一个潜在的全连通图或另一个极端的二分图。在潜在的全连接的情况下，我们考虑时间序列之间的所有成对相互作用，从而获得最佳的预测精度。相反，二分情况通过我们引入的一小组K个辅助节点来相互通信N个时间序列，从而利用依赖结构。这减少了时间和存储器复杂度w.r.t.时间复杂度为O（N^2），时间复杂度为O（NK）。我们证明了我们的模型在各种数据集中的有效性，其中它的两个变体在预测准确性和时间效率方面表现得更好或非常有竞争力。
2022-03-07 cs.LG
FilterTS: Comprehensive Frequency Filtering for Multivariate Time Series Forecasting
College of Computer Science, Nankai University（南开大学计算机科学学院）；Tianjin Media Computing Center（天津媒体计算中心）
FilterTS通过动态跨变量滤波和静态全局滤波在频率域建模多元时间序列，将时域卷积转为频域乘法，在八个数据集上显著提升预测精度与计算效率。
2025-05-07 cs.LG
A Multi-Task Learning Approach to Linear Multivariate Forecasting
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本文将多变量时间序列预测建模为多任务学习，提出基于相关性聚类分组变量、按预测误差缩放梯度，并在线性 MTLinear 框架中实现性能相当或更优。
2025-03-15 cs.AI cs.LG
CARNet Cycle-Conditioned Core Aggregation and Redistribution for Multivariate Time Series Forecasting
North South University（南北大学）；Apurba Technologies（阿普尔巴科技公司）
针对多变量时间序列预测中交叉变量依赖建模难题，提出CARNet框架，通过多头核心聚合将全局循环信息融入基于核心的交互建模，实验证明其在不同预测范围优于基线，且保持线性复杂度。
2026-07-27 cs.LG
xLSTM-Mixer: Multivariate Time Series Forecasting by Mixing via Scalar Memories
AI & ML Group, TU Darmstadt（AI与机器学习小组，德累斯顿理工大学）；TU Eindhoven（埃因霍温理工大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science, TU Darmstadt（认知科学中心，德累斯顿理工大学）
xLSTM-Mixer通过融合多种视角和混合架构，实现了多变量时间序列预测的高精度与低内存消耗。
2025-11-20 cs.LG
MMFNet: Multi-Scale Frequency Masking Neural Network for Multivariate Time Series Forecasting
Knight Foundation School of Computing and Information Sciences（奈特基金会计算与信息科学学院）；Florida International University（佛罗里达国际大学）
本文提出MMFNet，通过多尺度掩码频率分解捕捉不同粒度时间模式，以可学习掩码自适应过滤无关成分，在多元长期时间序列预测中相比现有最优模型将MSE最多降低6.0%。
2024-10-02 cs.LG
Learning Recursive Multi-Scale Representations for Irregular Multivariate Time Series Forecasting
School of Computer Science and Engineering, South China University of Technology（计算机科学与工程学院，华南理工大学）
ReIMTS通过递归多尺度建模方法，无需重采样即可提升不规则多变量时间序列预测的准确性。
2026-02-25 cs.LG
Mitigating Cold-start Forecasting using Cold Causal Demand Forecasting Model
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Google Inc.（谷歌公司）
针对深度学习多变量时间序列预测模型因果关系捕捉不足、无法应对冷启动的问题，提出融合因果推断与深度学习的CDF-cold框架，在15个谷歌数据中心流量数据集上表现优于现有最优模型。
2023-06-15 cs.LG
Multivariate Online Linear Regression for Hierarchical Forecasting
Sorbonne University（索邦大学）；Paris Cité University（巴黎城市大学）；CNRS（法国国家科学研究中心）；LOPF；LPSM
本文提出MultiVAW方法，将Vovk-Azoury-Warmuth算法推广至多元在线线性回归，证明其对数遗憾界，并应用于在线分层预测以放宽现有算法的分析假设。
2024-02-22 cs.LG math.OC stat.ML
HDT: Hierarchical Discrete Transformer for Multivariate Time Series Forecasting
College of Computing and Data Science, Nanyang Technological University (NTU)（南洋理工大学计算与数据科学学院）；Webank-NTU Joint Research Institute on Fintech, NTU（微众银行-南洋理工大学金融科技联合研究院）；Tencent AI Lab（腾讯人工智能实验室）
针对高维多变量时间序列预测中生成模型扩展难、预测长度受限的问题，提出HDT分层离散Transformer框架，通过离散token表示和分层建模延长预测长度并提升性能，实验验证其有效性。
2025-02-12 cs.AI cs.LG
Scale-Aware Neural Architecture Search for Multivariate Time Series Forecasting
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
多变量时间序列预测在许多智能应用中受到广泛关注。这不是一个简单的任务，因为我们需要考虑变量内依赖性和变量间依赖性。然而，现有的工作是针对特定的场景设计的，需要大量的领域知识和专家的努力，这是很难在不同的场景之间转移。在本文中，我们提出了一个规模感知的神经架构搜索框架MTS预测（SNAS 4MTF）。多尺度分解模块将原始时间序列分解为多尺度子序列，保持多尺度时间模式。自适应图学习模块在没有任何先验知识的情况下推断不同时间尺度下的不同变量间依赖关系。对于MTS预测，设计了一个搜索空间来捕获每个时间尺度上的变量内依赖性和变量间依赖性。多尺度分解、自适应图学习和神经架构搜索模块在端到端框架中联合学习。在两个真实数据集上的大量实验表明，与现有的方法相比，SNAS4MTF具有良好的性能。
2021-12-14 cs.LG
Bridging Time and Frequency: A Joint Modeling Framework for Irregular Multivariate Time Series Forecasting
School of Data Science and Engineering, East China Normal University, Shanghai, China（数据科学与工程学院，东华大学，上海，中国）
TFMixer通过联合时频建模框架解决不规则多变量时间序列预测中的非均匀采样和变量异步性问题，结合全局频域模块和局部时间模块实现高精度预测。
2026-01-31 cs.LG
Temporal Query Network for Efficient Multivariate Time Series Forecasting
South China University of Technology（华南理工大学）；Pengcheng Laboratory（鹏城实验室）
提出时间查询网络（TQNet），通过周期性移位可学习向量作为注意力查询捕获全局变量相关性，仅用单层注意力和轻量MLP，在12个数据集上达到最先进精度且效率高。
2025-09-11 cs.LG
SPACE: Sample-cloud Predictive Adaptive Conformal Ellipsoids for Multivariate Time-Series Forecasting
Asian Institute of Digital Finance, National University of Singapore（新加坡国立大学亚洲数字金融研究院）；National University of Singapore（新加坡国立大学）
针对现有多变量共形预测方法易受陈旧状态污染的问题，提出共形包装器SPACE，通过当前预测样本云估计协方差几何并动态选回溯窗口校准区域，提升了预测覆盖的准确性与效率。
2026-08-19 cs.AI cs.LG stat.ML
Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting
Zalando Research（扎兰多研究院）
在这项工作中，我们提出了\texttt{TimeGrad}，一个自回归模型的多变量概率时间序列预测的样本从数据分布在每个时间步估计其梯度。为此，我们使用扩散概率模型，一类与分数匹配和基于能量的方法密切相关的潜变量模型。我们的模型通过优化数据可能性的变分界限来学习梯度，并在推理时使用Langevin采样通过马尔可夫链将白噪声转换为感兴趣的分布样本。我们的实验表明，所提出的自回归去噪扩散模型是新的国家的最先进的多元概率预测方法在现实世界的数据集与成千上万的相关维度。我们希望这种方法是一个有用的工具，为从业者在这一领域的未来研究奠定了基础。
2021-02-02 cs.AI cs.LG
CATS: Enhancing Multivariate Time Series Forecasting by Constructing Auxiliary Time Series as Exogenous Variables
Georgia Institute of Technology（佐治亚理工学院）；Amazon Web Services（亚马逊网络服务）
CATS通过构建辅助时间序列作为外生变量，有效提升多变量时间序列预测的性能，实现高效且可转移的预测解决方案。
2026-02-05 cs.AI cs.LG stat.ML
The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting
Nanjing University（南京大学）
本文通过实证与理论分析揭示了多元时间序列预测中通道独立策略优于通道依赖策略的原因，指出CD容量高但鲁棒性差，CI以容量换鲁棒性，并提出PRReg方法以超越CI策略。
2023-04-11 cs.LG
Mixing It Up: Exploring Mixer Networks for Irregular Multivariate Time Series Forecasting
Institute of Computer Science, University of Hildesheim（计算机科学学院，希尔德斯海姆大学）；VWFS Data Analytics Research Center (VWFS-DARC)（VWFS数据分析研究中心（VWFS-DARC））
本文提出IMTS-Mixer网络，通过ISCAM和ConTP组件有效处理不规则多变量时间序列预测，实现高精度与低参数量的平衡。
2026-02-26 cs.LG
Balanced Graph Structure Learning for Multivariate Time Series Forecasting
Beihang University（北京航空航天大学）
多变量时间序列的精确预测是金融、交通和计算机科学中广泛研究的课题。充分挖掘多变量时间序列中变量之间的相关性和因果关系，对提高时间序列模型的性能具有显著的效果。最近，一些模型已经通过端到端的图结构学习来探索变量之间的依赖关系，而不需要预定义的图。然而，现有的模型没有考虑效率和灵活性之间的权衡，缺乏领域知识的指导下，图结构学习算法的设计。本文通过提出平衡图结构学习预测（BGSLF）来解决上述问题，BGSLF是一种将图结构学习和预测结合起来的新型深度学习模型。从技术上讲，BGSLF利用空间信息进行卷积运算，并使用扩散卷积递归网络提取时间动态。该框架通过引入多图生成网络（MGN）和图选择模块，平衡了效率和灵活性之间的权衡。此外，设计了一种平滑稀疏单元（SSU）的方法来稀疏学习的图结构，这符合稀疏的空间相关性在现实世界中。在四个真实世界数据集上的广泛实验表明，我们的模型在较小的可训练参数下实现了最先进的性能。代码将公开提供。
2022-05-24 cs.LG
Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；University of Alberta（阿尔伯塔大学）
本文提出通道感知对比条件扩散模型CCDM，通过通道中心去噪网络和基于去噪的时间对比学习提升多元概率时间序列预测精度与泛化能力，在基准测试中优于现有扩散预测器。
2024-10-03 cs.LG
HPMixer: Hierarchical Patching for Multivariate Time Series Forecasting
ISMLL, University of Hildesheim（ISMLL，希尔德斯海姆大学）
HPMixer通过分层拼接机制结合周期性建模与多尺度残差学习，提升多变量时间序列预测性能。
2026-02-19 cs.LG
SETTer: Sparse-Encoder Transformer for Long-term Multivariate Time Series Forecasting
RWTH Aachen University（亚琛工业大学）；Fraunhofer FIT（弗劳恩霍夫应用信息技术研究所）
SETTer通过解耦自注意力和混合掩码技术，在单层Transformer架构下有效捕获长期多元时间序列的时空模式，并在88%的基准场景中超越现有最优模型。
2026-09-18 cs.LG
Masked Multi-Step Multivariate Time Series Forecasting with Future Information
GE Research（通用电气研究中心）；Upstart Power, Inc.（Upstart电力公司）
在本文中，我们介绍了掩蔽多步多变量预测（MMMF），一种新的和一般的自监督学习框架的时间序列预测与已知的未来信息。在许多现实世界的预测场景中，一些未来信息是已知的，例如，在进行短期到中期电力需求预测时的天气信息，或者在进行飞机起飞预测时的油价预测。现有的机器学习预测框架可以分为（1）基于样本的方法，其中每个预测都是独立进行的，以及（2）时间序列回归方法，其中未来信息没有完全合并。为了克服现有方法的局限性，我们提出了MMMF，一个训练任何神经网络模型的框架，能够生成一系列的输出，结合了时间信息从过去和已知的信息，对未来做出更好的预测。实验在两个真实世界的数据集上进行：（1）中期电力需求预测，（2）两个月前的航班起飞预测。他们表明，所提出的MMMF框架不仅优于基于样本的方法，而且优于现有的时间序列预测模型与完全相同的基础模型。此外，一旦一个神经网络模型与MMMF训练，其推理速度是类似于与传统的回归公式训练的同一模型，从而使MMMF更好地替代现有的回归训练的时间序列预测模型，如果有一些可用的未来信息。
2022-09-28 cs.AI cs.LG
Multivariate Time Series Forecasting needs Cross Variable Loss
University of Technology Sydney（悉尼科技大学）；Tsinghua University（清华大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对直接预测范式未显式约束跨变量结构的问题，提出跨变量损失CvLoss作为结构正则化项，可提升多变量时间序列预测模型性能，适配多种骨干网络。
2026-10-27 cs.AI cs.LG
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
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs
Monash University（莫纳什大学）；La Trobe University（乐卓博大学）；Shanghai Jiao Tong University（上海交通大学）；East China Normal University（华东师范大学）；Griffith University（格里菲斯大学）
多变量时间序列预测长期以来在实际应用中受到了极大的关注，例如能源消耗和交通预测。虽然最近的方法表现出良好的预测能力，但它们有三个基本限制。(i)离散神经架构：交错单独参数化的空间和时间块编码丰富的底层模式，导致不连续的潜在状态轨迹和更高的预测数值误差。(ii)高复杂性：离散方法使用专用设计和冗余参数使模型复杂化，从而导致更高的计算和内存开销。(iii)依赖于图先验：依赖于预定义的静态图结构限制了它们在实际应用中的有效性和实用性。在本文中，我们提出了一个连续的模型来预测$\textbf{M}$多元$\textbf{T}$时间序列与动态$\textbf{G}$神经$\textbf{O}$常规$\textbf{D}$ $\textbf{E}$方程（$\texttt{MTGODE}$）的所有上述限制。具体来说，我们首先将多元时间序列抽象为具有随时间演变的节点特征和未知图结构的动态图。然后，我们设计并解决了一个神经ODE，以补充缺失的图拓扑结构，并统一空间和时间消息传递，允许更深层次的图传播和细粒度的时间信息聚合，以表征稳定和精确的潜在时空动态。我们的实验证明了$\texttt{MTGODE}$的优越性，从不同的角度对五个时间序列基准数据集。
2022-11-23 cs.LG
