ARM: Refining Multivariate Forecasting with Adaptive Temporal-Contextual Learning
Georgia Institute of Technology（佐治亚理工学院）；Amazon Web Services（亚马逊网络服务）
ARM通过自适应时间-上下文学习方法提升多变量长期时间序列预测的性能和效率
2026-02-05 cs.LG stat.ML
A Memory-Network Based Solution for Multivariate Time-Series Forecasting
National Taiwan University（国立台湾大学）；Riken-AIP（理化学研究所人工智能研究中心）
多变量时间序列预测在金融、交通、环境等领域得到了广泛的研究，但传统的预测方法无法对真实数据中的复杂模式或依赖关系进行建模，这引起了人们的关注。为了解决这些问题，提出了各种深度学习模型，主要是基于递归神经网络（RNN）的方法。然而，在有效纳入其他变量信息的同时，捕捉极长期的模式仍然是时间序列预测的一个挑战。此外，缺乏可解释性仍然是深度神经网络模型的一个严重缺点。受记忆网络解决问答任务的启发，我们提出了一个基于深度学习的模型，名为记忆时间序列网络（MTNet），用于时间序列预测。MTNet由一个大内存组件、三个独立的编码器和一个自回归组件组成，用于联合进行训练。此外，设计的注意力机制使MTNet具有高度的可解释性。我们可以很容易地判断出历史数据的哪一部分被引用得最多。
2018-09-06 cs.LG stat.ML
AdaPTS: Adapting Univariate Foundation Models to Probabilistic Multivariate Time Series Forecasting
EURECOM（欧洲通信学院）；KAUST（阿卜杜拉国王科技大学）
本文提出 AdaPTS 框架，通过可适配的特征空间变换将单变量时间序列基础模型用于概率多变量预测，并结合多种适配器与贝叶斯式优化推理策略，显著提升精度和不确定性量化。
2025-02-14 cs.LG stat.ML
Joint Modeling of Local and Global Temporal Dynamics for Multivariate Time Series Forecasting with Missing Values
Pennsylvania State University（宾夕法尼亚州立大学）；IBM T.J. Watson（IBM托马斯·J·沃森研究中心）
多变量时间序列预测在气象、交通等领域有着广泛的应用。由于数据汇集、传输和存储的限制，真实世界的MTS数据通常包含缺失值，使得现有的MTS预测模型（如线性回归和递归神经网络）不可行。虽然已经有很多的努力致力于这个问题，其中大多数仅仅依赖于局部依赖性的估算缺失值，忽略了全球的时间动态。当缺失率很高或数据具有连续缺失值时，局部依赖性/模式将变得不那么有用;而探索全局模式可以缓解此类问题。因此，联合建模本地和全球的时间动态是非常有前途的MTS预测与缺失值。然而，这方面的工作相当有限。因此，我们研究了一个新的问题MTS预测缺失值，共同探索本地和全球的时间动态。我们提出了一个新的框架LGnet，它利用记忆网络来探索全局模式，从局部角度给出估计。我们进一步引入对抗训练来增强全局时间分布的建模。在真实数据集上的实验结果表明，LGnet对缺失数据的MTS预测是有效的，并且在不同的缺失率下具有鲁棒性。
2019-11-22 cs.LG stat.ML
Evaluation of Local Explanation Methods for Multivariate Time Series Forecasting
Ryerson University（瑞尔森大学）
能够解释机器学习模型是机器学习的许多应用中的关键任务。具体来说，局部可解释性在确定模型为什么做出特定预测方面很重要。尽管最近关注人工智能的可解释性，但对于时间序列预测的局部可解释性方法缺乏研究，而存在的少数可解释性方法主要集中在时间序列分类任务上。在这项研究中，我们提出了两个新的评价指标的时间序列预测：面积超过扰动曲线回归和消融百分比阈值。这两个指标可以衡量局部解释模型的局部保真度。我们扩展的理论基础，收集两个流行的数据集，\textit{Rossmann sales}和\textit{electricity}的实验结果。这两个指标使众多的本地解释模型的全面比较，并找到哪些指标更敏感。最后，我们为这一分析提供了合理的理由。
2020-09-18 cs.LG stat.ML
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
Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas
Department of Statistics The University of Warwick（威斯敏斯特大学统计系）；School of Data Science The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
本文提出了一种扩散-Copula框架，通过分离边际分布学习与依赖结构学习，改进了多变量时间序列预测中对尾部风险的估计，展示了在加密货币市场中对系统性极值的预测优势。
2026-05-19 cs.LG stat.ML
DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting
East China Normal University（华东师范大学）；Aalborg University（奥尔堡大学）
针对多变量时间序列预测中时间模式异质、通道关联复杂的难题，提出融合时间与通道双聚类的DUET框架，在25个跨领域真实数据集上实现了最优预测性能。
2025-01-10 cs.LG stat.ML
R2N2: Residual Recurrent Neural Networks for Multivariate Time Series Forecasting
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；IBM Research, T. J. Watson Research Center（IBM研究院托马斯·J·沃森研究中心）
多变量时间序列建模与预测是一个具有广泛应用前景的重要问题。传统的方法，如VAR（向量自回归）模型和最近的方法，如RNN（循环神经网络）是建模时间序列数据不可或缺的工具。在许多多变量时间序列建模问题中，通常存在显著的线性依赖分量，VAR适用于该分量，以及非线性分量，RNN适用于该分量。仅使用VAR或仅使用RNN对此类时间序列进行建模可能会导致预测性能差或模型复杂，训练时间长。在这项工作中，我们提出了一种称为R2N2（残差RNN）的混合模型，它首先用简单的线性模型（如VAR）对时间序列进行建模，然后使用RNN对其残差进行建模。R2N2可以使用VAR和RNN的现有算法进行训练。通过对两个真实世界数据集（航空和气候领域）的广泛实证评估，我们表明R2N2具有竞争力，通常优于单独使用的VAR或RNN。我们还表明，与RNN相比，R2N2的训练速度更快，同时需要更少的隐藏单元。
2017-09-10 cs.LG stat.ML
Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks
University of Technology Sydney（悉尼科技大学）；Monash University（莫纳什大学）
多变量时间序列建模一直是一个吸引了包括经济、金融和交通在内的各个领域的研究人员的课题。多变量时间序列预测背后的一个基本假设是，它的变量相互依赖，但仔细观察，可以说，现有的方法未能充分利用变量对之间潜在的空间依赖性。与此同时，近年来，图神经网络（GNN）在处理关系依赖关系方面表现出了很高的能力。GNN需要定义良好的图结构来进行信息传播，这意味着它们不能直接应用于依赖关系事先未知的多变量时间序列。在本文中，我们提出了一个通用的图神经网络框架，专为多变量时间序列数据。我们的方法自动提取变量之间的单向关系，通过图学习模块，外部知识，如变量属性可以很容易地集成到其中。提出了一种新的混合跳传播层和扩张的起始层，以捕获时间序列内的空间和时间依赖性。图学习、图卷积和时间卷积模块在端到端框架中联合学习。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在3的4个基准数据集，并实现了与其他方法在两个流量数据集，提供额外的结构信息的性能。
2020-05-24 cs.LG stat.ML
Enhancing Multivariate Time Series Forecasting with Mutual Information-driven Cross-Variable and Temporal Modeling
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Huawei Technologies Ltd.（华为技术有限公司）
针对通道混合引入不相关信息损害多元时间序列预测的问题，提出CDAM与TAM分别建模跨变量去相关和时间互信息，显著超越现有模型。
2024-03-01 cs.LG stat.ML
High-Dimensional Multivariate Forecasting with Low-Rank Gaussian Copula Processes
NAVER LABS Europe（NAVER欧洲实验室）；Amazon Research（亚马逊研究院）；Ghent University（根特大学）
预测来自多个时间序列的观测之间的依赖关系对于异常检测、金融风险管理、因果分析或需求预测等应用至关重要。然而，估计时变和高维协方差矩阵的计算和数值困难往往限制了现有的方法处理最多几百个维度或需要作出强有力的假设系列之间的依赖。我们建议将基于RNN的时间序列模型与具有低秩协方差结构的高斯Copula过程输出模型相结合，以降低计算复杂性并处理非高斯边缘分布。这允许大幅减少参数的数量，从而允许数千个时间序列的时变相关性的建模。我们在几个真实世界的数据集上显示，我们的方法在最先进的基线上提供了显着的准确性提高，并进行了消融研究，分析了我们模型的不同组成部分的贡献。
2019-10-24 cs.LG stat.ML
Forecasting Multivariate Urban Data via Decomposition and Spatio-Temporal Graph Analysis
本文提出DST模型，通过分解预处理分离趋势、季节和残差分量，并结合图注意力与时间卷积捕获时空依赖，在多个城市数据集上实现长期预测准确率平均提升2.89%至9.10%。
2025-08-26 cs.LG
LAVARNET: Neural Network Modeling of Causal Variable Relationships for Multivariate Time Series Forecasting
Information Technologies Institute, Centre of Research and Technology Hellas（希腊研究与技术中心信息技术研究所）
多变量时间序列预测在许多科学学科和工业部门中具有重要意义。多变量时间序列的演化取决于其变量的动态和它们之间因果关系的连接网络。大多数现有的时间序列模型不考虑系统变量之间的因果关系，即使他们这样做，他们只是依赖于确定变量之间的因果关系网络。了解这样一个复杂网络的结构，甚至更具体地说，了解对底层过程有贡献的确切滞后变量，对于多变量时间序列预测任务至关重要。后者是一个相当未开发的信息来源。在这个方向上，这里提出了一种新的基于神经网络的架构，称为滞后变量表示网络（LAVARNET），它本质上估计滞后变量的重要性，并结合高维潜在的表示，他们预测未来的时间序列值。我们的模型与其他基线和最先进的神经网络架构的一个模拟数据集和四个真实的数据集，从气象，音乐，太阳活动和金融领域进行了比较。在大多数的实验中，所提出的架构优于竞争对手的架构。
2020-09-02 cs.LG cs.NE stat.ML
Temporally-Reweighted Chinese Restaurant Process Mixtures for Clustering, Imputing, and Forecasting Multivariate Time Series
Probabilistic Computing Project Massachusetts Institute of Technology（麻省理工学院概率计算项目）
本文提出了一种贝叶斯非参数方法，用于稀疏观测的多变量时间序列数据的预测、插补和聚类。该方法适用于联合建模数百个时间序列广泛变化，非平稳动态。给定$N$时间序列的集合，贝叶斯模型首先使用中国餐馆过程先验将它们划分为独立的聚类。在一个集群内，所有的时间序列建模共同使用一种新的“临时重新加权”的中国餐馆的过程混合物的扩展。使用马尔可夫链蒙特卡罗技术从后验分布中获得样本，然后将其用于形成预测推断。我们使用美国疾病控制和预防中心的季节性流感数据将该技术应用于具有挑战性的预测和估算任务，与多个广泛使用的基线相比，显示出卓越的预测准确性和具有竞争力的估算准确性。我们进一步表明，该模型发现可解释的集群数据集与数百个时间序列，使用宏观经济数据从Gapminder基金会。
2018-04-01 cs.LG stat.ME stat.ML
Temporal Pattern Attention for Multivariate Time Series Forecasting
National Taiwan University（台湾大学）
预测多变量时间序列数据，例如预测电力消耗，太阳能发电和复调钢琴曲，具有许多有价值的应用。然而，时间步长和序列之间复杂的非线性相互依赖性使任务复杂化。为了获得准确的预测，对时间序列数据的长期相关性进行建模是至关重要的，具有注意力机制的递归神经网络（RNN）可以在一定程度上实现这一点。典型的注意力机制在每个前一个时间步检查信息并选择相关信息以帮助生成输出，但它无法捕获跨多个时间步的时间模式。在本文中，我们提出使用一组滤波器来提取时不变的时间模式，这类似于将时间序列数据转换到其“频域”。提出了一种新的注意力机制来选择相关时间序列，并利用其“频域”信息进行预测。我们将所提出的模型应用于几个现实世界的任务，并在所有这些任务中实现了最先进的性能，只有一个例外。
2019-09-18 cs.CL cs.LG stat.ML
Winner-takes-all for Multivariate Probabilistic Time Series Forecasting
本文提出TimeMCL方法，利用多选学习（MCL）范式与赢者通吃（WTA）损失，通过多头神经网络促进预测多样性，以高效预测时间序列的多种可能未来，并在合成与真实数据上验证了其低计算成本下的出色性能。
2025-08-11 cs.AI cs.LG stat.ML
Dynamic Gaussian Mixture based Deep Generative Model For Robust Forecasting on Sparse Multivariate Time Series
NEC Laboratories America（美国 NEC 实验室）
稀疏多变量时间序列（MTS）预测的目的是建立模型的预测未来值的时间序列，其不完整的过去，这是非常重要的许多新兴的应用。然而，大多数现有的方法单独处理MTS，并且不利用MTS的动态分布，导致当稀疏度高时的次优结果。为了解决这一挑战，我们提出了一种新的生成模型，它跟踪潜在集群的过渡，而不是孤立的特征表示，以实现鲁棒的建模。它的特点是由一个新设计的动态高斯混合分布，它捕获的动态聚类结构，并用于发射时间序列。生成模型由神经网络参数化。一个结构化的推理网络也被设计为使归纳分析。进一步引入门控机制来动态调整高斯混合分布。大量的实验结果在各种现实生活中的数据集证明了我们的方法的有效性。
2021-03-03 cs.AI cs.LG stat.ML
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
ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks
Sichuan University（四川大学）；University of Science and Technology of China（中国科学技术大学）；McGill University（麦吉尔大学）
ForecastGrapher将多变量时间序列预测重构为图神经网络上的节点回归任务，通过自定义节点嵌入、自适应邻接矩阵和GFC-GNN增强表达力，在实验中超越强基线方法。
2024-05-28 cs.LG
Bayesian forecasting of multivariate time series: Scalability, structure uncertainty and decisions
综述了多元时间序列贝叶斯状态空间建模的研究进展。一个主要的重点是解耦/重新耦合的概念，使应用程序的状态空间模型越来越大规模的数据，适用于连续或离散的时间序列的结果。其范围包括经济和金融等领域的预测和多元波动分析的大规模动态图形模型，商业销售和需求预测等领域的离散/计数时间序列预测的多尺度方法，以及互联网流量监控等领域的动态网络流量模型。在应用中，明确的预测，监测和决策目标是至关重要的，并应考虑到模型评估和比较，这是一个突出的观点。
2019-12-11 eess.SP math.DS stat.AP
Multivariate Realized Volatility Forecasting with Graph Neural Network
Ecole Polytechnique（巴黎综合理工学院）；Exoduspoint Capital Management France（法国Exoduspoint资本管理公司）；ENSAE Paris（巴黎国立统计与经济管理学院）
现有文献表明，限价订单簿数据在预测股票市场的短期波动性方面是有用的。由于股票不是独立的，一只股票的变化也会影响其他相关股票。本文基于限价订单簿数据和相关数据，对短期已实现波动率进行了多元预测。为了实现这一目标，我们引入了图Transformer网络的波动率预测。该模型允许结合限价订单簿功能和无限数量的时间和横截面的关系，从不同的来源。通过对标准普尔500指数中约500只股票的实验，我们发现我们的模型比其他基准有更好的表现。
2021-12-17 cs.CE cs.LG q-fin.CP
Pre-training Enhanced Spatial-temporal Graph Neural Network 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）；University of Chinese Academy of Sciences（中国科学院大学）
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。近年来，时空图神经网络（STGNNs）已成为越来越流行的MTS预测方法。STGNN通过图神经网络和序列模型联合建模MTS的空间和时间模式，显著提高了预测精度。但受限于模型复杂度，大多数STGNN只考虑短期历史MTS数据，如过去一小时的数据。然而，时间序列的模式和它们之间的依赖关系（即，时间和空间模式）需要基于长期历史MTS数据进行分析。为了解决这个问题，我们提出了一个新的框架，其中STGNN是由一个可扩展的时间序列预训练模型（STEP）增强。具体来说，我们设计了一个预训练模型，以有效地从非常长期的历史时间序列（例如，过去两周）并生成段级表示。这些表示为STGNN的短期时间序列输入提供上下文信息，并促进时间序列之间的依赖关系建模。在三个公开的真实世界数据集上的实验表明，我们的框架能够显着增强下游STGNN，并且我们的预训练模型能够恰当地捕获时间模式。
2022-08-16 cs.LG
Graph Neural Networks for Forecasting Multivariate Realized Volatility with Spillover Effects
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出利用定制图神经网络建模股票间溢出效应以预测多元已实现波动率，发现引入非线性溢出效应和使用准似然损失能显著提升短期预测精度与模型性能。
2023-08-01 cs.LG q-fin.RM q-fin.ST
Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting
Peking University（北京大学）；Microsoft（微软）；ETH Zürich（苏黎世联邦理工学院）
多变量时间序列预测在许多实际应用中起着至关重要的作用。这是一个具有挑战性的问题，因为需要同时考虑序列内的时间相关性和序列间的相关性。最近，已经有多个作品试图捕捉这两种相关性，但大多数，如果不是全部的话，他们只捕捉时间域中的时间相关性，并诉诸于预定义的先验序列间的关系。为了进一步提高多变量时间序列预测的精度，本文提出了谱时间图神经网络（StemGNN）。StemGNN捕获\textit{spectral domain}中的序列间相关性和时间依赖性\textit{jointly}。它结合了图形傅立叶变换（GFT）和离散傅立叶变换（DFT），前者对序列间相关性进行建模，后者对端到端框架中的时间依赖性进行建模。在经过GFT和DFT之后，谱表示保持清晰的模式，并且可以通过卷积和顺序学习模块来有效地预测。此外，StemGNN自动从数据中学习序列间相关性，而无需使用预定义的先验知识。我们在十个真实世界的数据集上进行了广泛的实验，以证明StemGNN的有效性。代码可在https://github.com/microsoft/StemGNN/上获得
2021-03-13 cs.AI cs.LG
Multivariate Forecasting Evaluation: On Sensitive and Strictly Proper Scoring Rules
近年来，概率预测是一个新兴的话题，这就是为什么有一个合适的方法来评估多变量预测的需求越来越大。我们分析了最常见的评分规则的敏感性，特别是关于预测的依赖结构的质量。此外，我们提出了基于copula的评分规则，它唯一地描述了每个连续边缘分布的概率分布的依赖结构。有效估计所考虑的评分规则和评价方法，如Diebold-Mariano测试进行了讨论。在详细的模拟研究中，我们比较了著名的评分规则和我们提出的性能。除了基于最近发表的结果的扩展合成研究，我们还考虑了一个真实的数据例子。我们发现，能量分数，这可能是最广泛使用的多元评分规则，执行candidate以及在检测预测错误，也关于依赖关系。这与其他研究相矛盾。结果还表明，建议copula得分提供了非常强的区分模型之间的正确和不正确的依赖结构。最后，我们将全面讨论拟议的方法。
2019-10-16 econ.EM stat.ME stat.ML
Graph Neural Networks with Diversity-aware Neighbor Selection and Dynamic Multi-scale Fusion for Multivariate Time Series Forecasting
University of Southern California（南加州大学）；New York University（纽约大学）
针对GNN多元时间序列预测中邻居信息冗余和单一时间尺度表示的问题，提出DIMIGNN，通过DNSM选择兼顾相似性与多样性的邻居，并利用DMFM动态融合多尺度预测，实验证明其性能持续优于已有方法。
2025-09-28 cs.AI cs.LG
Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
本文提出一种以验证为导向的聚类框架，用于高维多变量时间序列预测中的自适应池化，通过验证性能确定何时何地进行专业化，以提高鲁棒性并避免性能下降。
2026-04-15 stat.ME stat.ML
DeepHGNN: Study of Graph Neural Network based Forecasting Methods for Hierarchically Related Multivariate Time Series
Monash University（莫纳什大学）；Being AI；Léonard de Vinci Pôle Universitaire（莱昂纳多·达芬奇大学中心）；University of Granada（格拉纳达大学）
本文提出DeepHGNN框架，通过基于图的层级插值和端到端协调机制，利用各层级间可预测性差异共享信号，解决了层级时间序列预测中准确性与一致性的挑战，显著提升了预测性能。
2024-05-29 cs.AI cs.LG
Network Time Series Models for Multivariate Volatility Forecasting
University of Bath（巴斯大学）
提出基于网络的广义异质自回归（GNHAR）模型，通过格兰杰因果检验或关联指数推断的有向图纳入截面溢出效应，实现简洁的多变量波动率预测。
2026-06-02 stat.ME
From point forecasts to multivariate probabilistic forecasts: The Schaake shuffle for day-ahead electricity price forecasting
价格风险建模是能源市场经济决策的关键。除了单一价格的风险之外，多个价格的相关结构也常常是相关的。因此，我们提出了一个通用的和易于实现的方法，用于创建多变量概率预测的基础上，一天前的电价单变量点预测。虽然每个单变量点预测指的是一天中的一个24小时，但多变量预测分布对跨小时的相关性进行建模。所提出的方法是基于简单的Copula技术和一个可选的时间序列组件。我们举例说明了Lago等人（2020）最近提供的五个基准数据集的方法。此外，我们展示了一个例子，为连续电价的加权和构建现实的预测区间，例如，需要为单个负载配置文件定价。
2022-04-21 econ.EM stat.AP
Conditional Regime Analog Forecasting with Trajectories: A Nonparametric Framework for Multivariate Probabilistic
本研究提出多元概率时间序列预测的非参数框架CRAFT，通过构建轨迹轮廓、学习状态标签等方法保留依赖关系，经模拟基准验证其预测性能优于多种对比方法。
2026-08-11 stat.ME
Latent Gaussian dynamic factor modeling and forecasting for multivariate count time series
针对多元高维计数时间序列，提出基于潜高斯动态因子变换的建模方法，利用二阶性质与主成分分析估计参数并证明理论一致性，结合 Kalman 滤波与序贯 Monte Carlo 实现预测。
2025-04-03 econ.EM stat.ME
Multivariate probabilistic forecasting using Bayesian model averaging and copulas
我们提出了一种后处理的多元预报合奏，以获得一个联合预测分布的天气的方法。我们的方法利用现有的单变量后处理技术，在这种情况下，系综贝叶斯模型平均（BMA），以获得估计的边缘分布。然而，单独实现这些方法不能提供关于联合分布的信息。为了纠正这一点，我们建议使用高斯copula，它提供了一个简单的程序，用于恢复的依赖，在估计的合奏BMA边缘丢失。我们的方法被应用到48小时预报的一组五个天气量使用8名成员的华盛顿大学中尺度合奏。我们表明，我们的方法恢复了许多很好理解的天气量之间的依赖关系，并随后提高了校准和清晰度的原始合奏和方法，不包括联合分布信息。
2012-02-17 stat.AP
A dynamic copula model for probabilistic forecasting of non-Gaussian multivariate time series
针对多元时间序列的异质性非高斯特征及传统方法的建模局限，提出一种基于动态因子高斯Copula的后验近似策略，实现可扩展全贝叶斯推断，在模拟与真实数据上均取得更优的概率预测性能。
2025-02-24 stat.ME
A partial correlation vine based approach for modeling and forecasting multivariate volatility time-series
提出了一种实现协方差阵动态建模和预测的新方法。联合估计已实现方差和已实现相关矩阵。一个正定的相关矩阵和它的相关的一组偏相关对应于任何葡萄树规格之间的一对一的关系被用于数据转换。因此，模型的组成部分是已实现的方差以及已实现的标准相关和偏相关，对应于每日的对数收益序列。因此，它们有明确的实际解释。一种方法来选择一个定期藤结构，它允许简约的时间序列和模型组件的依赖建模，介绍。由于代数独立，后者不受任何代数约束。所提出的模型方法进行了详细的概述和动机，以及一个真实的数据的例子，对六个高流动性的股票。的预测性能进行评估的统计精度和投资组合优化的背景下。与基于Cholesky分解的基准模型的比较支持所提出的模型方法的优秀的预测能力。
2019-02-15 stat.ME
Forecasting Realized Volatility Matrix With Copula-Based Models
多元波动率建模与预测是金融经济学研究的重要内容。本文提出了一种基于Copula的方法来建模和预测已实现波动率矩阵。基于Copula函数的时间序列模型能够捕捉到已实现波动率矩阵的隐含相关结构。该方法通过Cholesky分解或矩阵对数变换，自动保证预测的正定性。在本文中，我们考虑多元和二元Copula，Copula的类型包括学生的t，克莱顿和Gumbel Copula。在一个实证应用中，我们发现，对于一天前的波动矩阵预测，这些基于copula模型可以实现显着的性能，无论是在统计精度，以及创造经济的均值-方差有效的投资组合。在我们考虑的Copula中，多元t Copula在统计精度上表现得更好，而二元t Copula具有更好的经济性能。
2020-02-20 q-fin.ST stat.AP
Grouped multivariate and functional time series forecasting: An application to annuity pricing
特定人群的死亡率往往按不同属性分列，如性别、州、族裔群体和社会经济地位。在国家和国家以下各级制定社会政策和年金定价时，不仅要准确预测死亡率，而且要确保国家以下各级的预测与国家一级的预测相一致。这激发了分组功能时间序列方法（Shang和Hyndman，2017）的最新发展，以协调特定年龄的死亡率预测。我们将这些分组功能时间序列预测方法扩展到多变量时间序列，并将其应用于老年人死亡率的点预测，从中可以为不同年龄和到期日的固定期限年金定价。使用日本死亡率数据库中的日本各地区年龄别死亡率，我们研究了独立预测方法和分组预测方法之间的一步到15步预测精度。分组的预测方法不仅是有用的，在国家和国家以下各级的年龄别死亡率的预测进行协调，但它们也被证明可以提高预测的准确性。提高死亡率的预测准确性对于保险和养老金行业估计年金价格非常重要，特别是在人口亚组的水平上，由性别，地区和社会经济分组等关键因素定义。
2017-05-22 stat.AP
Nonparametric forecasting of multivariate probability density functions
随机变量间相关性的研究是理论统计和应用统计学的核心内容。静态和动态copula模型是有用的描述依赖结构，这是完全加密的copula概率密度函数。然而，这些模型并不总是能够描述依赖模式的时间变化，这是金融数据的一个关键特征。我们提出了一种新的非参数框架建模的时间序列的Copula概率密度函数，它允许预测整个功能，而不需要后处理程序，以授予积极性和单位积分。我们利用一个合适的等距，允许转移分析的平方可积函数的空间的一个子集，在那里我们建立在非参数函数数据分析技术来执行分析。该框架不假设密度属于任何参数族，它也可以成功地应用于一般的多元概率密度函数有界或无界的支持。最后，一个值得注意的应用领域涉及通过藤copula模型表示的时变网络的研究。我们应用所提出的方法来估计和预测S\P500和NASDAQ指数之间的时变相关结构。
2018-03-19 stat.ME
Multivariate Spatio-temporal Modelling for Completing Cancer Registries and Forecasting Incidence
Public University of Navarre（纳瓦拉公立大学）；Institute for Advanced Materials and Mathematics (INAMAT2)（先进材料与数学研究所）
本文提出多变量时空共享组件模型，用于在区域和国家层面预测癌症发病率，以解决数据不完整和时间不一致的问题。
2025-11-26 stat.AP stat.ME
Multivariate Boosted Trees and Applications to Forecasting and Control
SUPSI（瑞士南部应用科学与艺术大学）
梯度提升树是竞争获胜的、通用的、非参数回归器，其利用顺序模型拟合和梯度下降来最小化特定的损失函数。最流行的实现是针对单变量回归和分类任务而定制的，排除了捕获多变量目标互相关并将结构化惩罚应用于预测的可能性。在本文中，我们提出了一个计算效率高的算法来拟合多元提升树。我们表明，多变量树可以优于单变量对应时的预测是相关的。此外，该算法允许任意正则化预测，以便可以强制执行平滑性，一致性和函数关系等属性。我们目前的应用和数值结果相关的预测和控制。
2022-08-22 cs.LG stat.ML
Cross-LKTCN: Modern Convolution Utilizing Cross-Variable Dependency for Multivariate Time Series Forecasting Dependency for Multivariate Time Series Forecasting
Tsinghua University（清华大学）
针对多变量时间序列预测中跨变量依赖建模不足的问题，提出纯卷积结构 Cross-LKTCN，通过大核卷积与分组逐点卷积联合建模跨时间和跨变量依赖，在基准上达到最先进性能。
2023-06-04 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
Interpretable Multivariate Time Series Forecasting Using Neural Fourier Transform
Technion - Israel Institute of Technology（以色列理工学院）
本文提出神经傅里叶变换（NFT）算法，结合多维傅里叶变换与时间卷积网络，在十四个数据集上验证了其高准确性和可解释性，为多元时间序列预测树立了新基准。
2024-05-22 cs.LG
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
MICA: Multivariate Infini Compressive Attention for Time Series Forecasting
Carnegie Mellon University（卡内基梅隆大学）；Amazon（亚马逊）
MICA通过引入跨通道注意力机制，提升多变量时间序列预测的效率与准确性，显著降低预测误差，优于传统Transformer模型。
2026-05-11 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
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
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
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
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
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
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
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
