OceanMoE: Structured Conditional Sparse Computation for Long-Horizon Multivariate Ocean Forecasting
Hangzhou Institute for Advanced Study, University of the Chinese Academy of Sciences（中国科学院大学杭州高等研究院）；Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）
OceanMoE提出结构化条件稀疏混合专家框架，通过内容条件路由与地理偏差平衡共享背景与特化，在长时程ORAS5预报中降低误差并保持优势。
2026-09-18 cs.LG
A Comparative Study of Deep Learning Architectures for Multi-Horizon Behavioural Forecasting for Mobile Health
KIOS Research and Innovation Center of Excellence, University of Cyprus（塞浦路斯大学KIOS研究与创新卓越中心）；Department of Electrical and Computer Engineering, University of Cyprus（塞浦路斯大学电气与计算机工程系）
本研究在三个公开数据集上系统比较了六种深度学习架构、两种零样本基础模型和统计基线在1-8天时间范围内的行为预测性能，发现PatchTST表现最佳，基础模型TimesFM在低数据场景下可与训练模型匹敌，且参与者级微调可将RMSE降低16-60%。
2026-06-15 cs.AI cs.LG
A comparative study of deep learning and ensemble learning to extend the horizon of traffic forecasting
The University of Melbourne（墨尔本大学）
本文比较了XGBoost和深度学习方法在长达30天的长期交通预测中的表现，发现随着预测视野延长，预测关键从时间依赖捕捉转向周期性建模，时间嵌入能有效提升模型性能。
2025-04-30 cs.AI cs.LG
Towards Long-Horizon Vessel Trajectory and Destination Forecasting with Reasoning Large Language Models
Institute of High Performance Computing (IHPC), A*STAR, Singapore（新加坡科技研究局高性能计算研究所）；The Key Laboratory of Road and Traffic Engineering, Ministry of Education, Tongji University（同济大学道路与交通工程教育部重点实验室）；Meituan Inc., Shenzhen, China（美团（深圳））；Centre for Frontier AI Research (CFAR), A*STAR, Singapore（新加坡科技研究局前沿人工智能研究中心）；Nankai University（南开大学）；School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
提出基于可验证奖励强化学习（RLVR）的Maritime LLM后训练框架，将轨迹转化为语义文本，通过物理有效性约束和层次匹配提升长时域（30天）预测精度，4B模型表现最优。
2026-06-07 cs.AI cs.LG
FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts
Yunnan University（云南大学）；Carnegie Mellon University（卡内基梅隆大学）；Griffith University（格里菲斯大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；Beijing Jiaotong University（北京交通大学）
FaST通过异构性感知混合专家框架，实现大规模时空图的高效长周期预测，提升预测精度与计算效率。
2026-01-08 cs.AI cs.LG
Local Attention Mechanism: Boosting the Transformer Architecture for Long-Sequence Time Series Forecasting
Andalusian Institute of Data Science and Computational Intelligence (DaSCI)（安达卢西亚数据科学与计算智能研究所）；University of Granada（格拉纳达大学）
针对长序列时间序列预测需求，提出时间复杂度为O(nlogn)的局部注意力机制LAM及配套评估数据集，实验证明加入LAM的Transformer性能优于现有最优模型。
2025-07-29 cs.LG
Hybrid Transformer Network for Different Horizons-based Enriched Wind Speed Forecasting
Indian Institute of Technology Roorkee（印度鲁基理工学院）
本文提出一种基于ICEEMDAN分解、Transformer网络预测与MLP误差修正的混合风速预测模型，在印度真实风电场数据上取得优于现有方法的精度。
2022-04-07 cs.LG cs.SY eess.SP
Matching of signal, noise and hardware timescales for filtering and forecasting of correlated noise signals
Loughborough University（拉夫堡大学）
本文通过纳米多孔氧化铌储备池，研究噪声相关时间、储备池记忆与预测范围的关系，提出时间尺度匹配指导物理储备池架构，实现相关噪声的滤波与预测。
2026-10-08 cond-mat.dis-nn cs.LG physics.app-ph
Improving Long-Horizon Forecasts with Expectation-Biased LSTM Networks
University of Maryland（马里兰大学）
使用基于长短期记忆（LSTM）单元的递归神经网络（RNN）的最新预测方法已经显示出针对短期预测的卓越性能，例如，给定一组预测器特征，预测未来接下来几个时间步长的目标值。然而，在许多应用中，这些方法的性能随着预测范围延伸到这几个时间步长之外而衰减。本文旨在探索使用LSTM网络进行长期预测的挑战。在这里，我们说明了神经科学和能源供应管理数据集的长期预测问题。然后，我们提出了期望偏置，动态信念网络的文献激励的方法，作为一种解决方案，以提高长期预测使用LSTM。我们提出了两种LSTM架构以及两种显著优于标准实践的期望偏差方法。
2018-04-18 cs.LG stat.ML
ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting
Department of Mechanical, Automotive and Materials Engineering（机械、汽车和材料工程系）
本文提出ForecastGAN框架，通过分解模块、模型选择模块和条件生成对抗训练模块，有效融合数值与类别特征，在十一个多元时间序列数据集上实现短期预测优于Transformer模型且长期预测具有竞争力的效果。
2025-11-06 cs.LG stat.ML
Modelling tourism demand to Spain with machine learning techniques. The impact of forecast horizon on model selection
University of Barcelona (UB)（巴塞罗那大学（UB））；Polytechnic University of Catalunya (UPC)（加泰罗尼亚理工大学（UPC））
本研究评估了预测范围对几种机器学习技术预测性能的影响。以线性模型为基准，比较了支持向量回归（SVR）和神经网络（NN）模型的预测精度。我们专注于西班牙所有17个地区的国际旅游需求。具有高斯径向基函数核的SVR在最长的预测范围内优于其他模型。我们还发现，随着预测范围的增加，机器学习方法相对于线性模型提高了它们的预测精度。这一结果表明，支持向量回归机适用于中长期预测。
2018-05-02 cs.LG stat.ML
Coherent Probabilistic Aggregate Queries on Long-horizon Forecasts
IIT Bombay（印度理工学院孟买分校）
长期预测是许多决策支持系统的起点，这些决策支持系统需要从预测值的高级聚合模式中进行推断。最先进的时间序列预测方法要么受到长期预测概念漂移的影响，要么无法准确地预测连贯和准确的高水平总量。在这项工作中，我们提出了一种新的概率预测方法，产生的预测是一致的基础水平和预测的总统计。我们实现了预测的基准水平和聚合统计之间的一致性，使用一种新的推理方法的基础上KL-发散，可以有效地解决在封闭的形式。我们表明，我们的方法提高了预测性能，在基础水平和看不见的聚集后推理的真实数据集范围三个不同的领域。（\href{https://github.com/pratham16cse/AggForecaster}{Project URL}）
2022-05-25 cs.LG stat.ML
DMIDAS: Deep Mixed Data Sampling Regression for Long Multi-Horizon Time Series Forecasting
Carnegie Mellon University（卡内基梅隆大学）
神经预测在大规模系统的准确性方面有了显着的提高，但预测极长的时间范围仍然是一项具有挑战性的任务。两个常见的问题是预测的波动性和它们的计算复杂性;我们通过将平滑正则化和混合数据采样技术结合到性能良好的基于多层感知器的架构（NBEATS）来解决它们。我们验证了我们提出的方法，DMIDAS，在高频医疗保健和电价数据上具有较长的预测范围（约1000个时间戳），我们将预测精度提高了5%，比最先进的模型，减少了近70%的NBEATS参数数量。
2021-06-07 cs.LG stat.ML
ElasTST: Towards Robust Varied-Horizon Forecasting with Elastic Time-Series Transformer
Microsoft Research Asia（微软亚洲研究院）
针对变长预测场景，本文提出弹性时间序列Transformer（ElasTST），采用非自回归设计、可调旋转位置嵌入和多尺度分块，并利用预测长度重加权策略，在实验中验证了其稳健性和有效性。
2024-11-04 cs.LG stat.ML
Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting
University of Oxford（牛津大学）；Google Cloud AI Research（谷歌云人工智能研究院）；Google Cloud AI（谷歌云人工智能）
多视野预测问题通常包含复杂的输入组合-包括静态（即时不变）协变量，已知的未来输入，以及其他仅在历史上观察到的外生时间序列-没有任何关于它们如何与目标相互作用的先验信息。虽然已经提出了几种用于多步预测的深度学习模型，但它们通常包括黑盒模型，这些模型不能考虑常见场景中存在的全部输入。在本文中，我们介绍了时间融合Transformer（TFT）-一种新的基于注意力的架构，它结合了高性能的多水平预测与时间动态的可解释的见解。为了学习不同尺度下的时间关系，TFT利用递归层进行本地处理，并利用可解释的自我注意层来学习长期依赖关系。TFT还使用专门的组件来明智地选择相关功能，并使用一系列选通层来抑制不必要的组件，从而在广泛的范围内实现高性能。在各种真实世界的数据集上，我们展示了与现有基准相比的显着性能改进，并展示了TFT的三个实际可解释性用例。
2020-09-27 cs.LG stat.ML
Monotone-Constrained Diffusion Models for Long-Horizon Production Forecasting
University of British Columbia（不列颠哥伦比亚大学）
针对油气长期产量预测的不适定问题，提出单调约束扩散模型Physics-SIMS-TS，结合负引导、递减曲线约束、同单调投影和集成采样，在超3.5万口井上达到最准确扩散预测性能，且预测单调性代价极小。
2026-09-22 cs.LG stat.ML
Multi-time-horizon Solar Forecasting Using Recurrent Neural Network
West Transmission Planning（西部输电规划部门）；Robotics Institute（机器人研究所）；American Electric Power（美国电力公司）；Carnegie Mellon University（卡内基梅隆大学）
太阳能发电量的非平稳特性使得传统的点预测方法由于预测误差大而变得不那么有用。这导致电网运行中的不确定性增加，从而对可靠性产生负面影响并增加运行成本。本文提出了一种统一的架构，用于使用递归神经网络（RNN）进行短期和长期太阳能预测的多时间范围预测。本文描述了一个端到端的流水线来实现该架构，以及测试和验证预测模型性能的方法。结果表明，所提出的方法的基础上的统一架构是有效的多地平线的太阳能预测，并实现了较低的均方根预测误差相比，以前的最佳性能的方法，使用一个模型为每个时间范围。所提出的方法，使多地平线预测与实时输入，这在不断发展的智能电网的实际应用中有很大的潜力。
2018-07-14 cs.LG eess.SP stat.ML
Multi-Resolution, Multi-Horizon Distributed Solar PV Power Forecasting with Forecast Combinations
The University of Melbourne（墨尔本大学）
分布式、小型太阳能光伏系统的安装速度正在迅速增加。这可能对配电网络和能源市场造成重大影响。因此，非常需要在不同的时间分辨率和范围内改进这些系统的发电预测。然而，预测模型的性能取决于分辨率和视野。在这种情况下，将多个模型的预测组合成单个预测的预测组合（集合）可能是稳健的。因此，在本文中，我们提供了五个国家的最先进的预测模型和现有的预测组合在多个分辨率和视野的性能比较和见解。我们提出了一种预测组合方法的基础上粒子群优化（PSO），这将使预测员能够产生准确的预测，为手头的任务，通过加权个别模型产生的预测。此外，我们将所提出的组合方法与现有的预测组合方法的性能进行了比较。一个全面的评估是使用现实世界的住宅光伏发电数据集测量位于美国三个地点的25所房子。四种不同分辨率和四种不同水平的结果表明，基于PSO的预测组合方法优于使用任何单个预测模型和其他预测组合，与表现最好的单个模型相比，平均绝对比例误差平均降低了3.81%。我们的方法使太阳能预报员能够为他们的应用程序提供准确的预报，无论预报分辨率或水平。
2022-06-22 cs.LG
TEMPER: Temporal Encoder-Masked Probabilistic Ensemble Regressor for Time-Series Forecasting
TEMPER是一种结合时间自动编码器、可微掩蔽神经决策森林和CRPS训练的单变量时间序列概率预测算法，在合成序列上表现出良好的校准和长水平预测性能。
2026-09-22 cs.LG stat.ML
ModelRadar: Aspect-based Forecast Evaluation
Faculty of Engineering University of Porto（波尔图大学工程学院）；Laboratory for Artificial Intelligence and Computer Science (LIACC)（人工智能与计算机科学实验室（LIACC））；Fraunhofer Portugal AICOS（弗劳恩霍夫葡萄牙AICOS机构）
针对单一指标平均掩盖时间序列模型性能变化的问题，提出ModelRadar框架，从多方面评估24种预测方法，发现不同模型在异常和预测期等条件下的表现差异。
2025-03-31 cs.LG stat.ML
Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting
本文提出一种考虑多时间跨度准确性和稳定性的度量标准，用于评估概率性多时间跨度预测的质量，通过平衡准确性和一致性要求，改进了传统最大似然估计方法。
2026-04-22 cs.LG
Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting
Shanghai Jiao Tong University（上海交通大学）
时间序列在交通、金融和医疗等应用中无处不在。时间序列经常受到外部因素的影响，特别是以异步事件的形式，使预测变得困难。然而，现有的模型主要是针对同步时间序列或异步事件序列，很难提供一种综合的方法来捕捉它们之间的关系。我们提出了变分协同多视野网络（VSMHN），一种新的深度条件生成模型。为了学习异构序列之间的复杂相关性，设计了一个量身定制的编码器，以结合深度点过程模型和变分递归神经网络的进展。此外，还设计了一种对齐时间编码和辅助转换方案，用于非对齐序列的批量训练。我们的模型可以有效地使用随机变分推理进行训练，并使用Monte-Carlo模拟生成概率预测。此外，我们的模型产生准确，尖锐和更现实的概率预测。我们还表明，建模异步事件序列是至关重要的多地平线的时间序列预测。
2021-01-31 cs.AI cs.LG stat.ML
Multi-output Ensembles for Multi-step Forecasting
Dalhousie University（达尔豪斯大学）
本文研究了多输出模型集成在多步超前预测中的应用，通过3568个时间序列和30个模型的实验发现，基于仲裁和加窗的动态集成表现最佳，但随着预测期增加，多数方法难以超越等权静态集成。
2023-06-26 cs.LG stat.ML
Beyond a Universal Forecasting Selector: Demand-Conditioned Model Selection across Demand Patterns and Horizons
University of Santiago of Chile（智利圣地亚哥大学）
该研究针对异质性需求下预测模型选择困难的问题，提出将选择器视为预测过程的上下文依赖组件，对比5种选择机制在多模型、多数据集等条件下的表现，验证了需求条件化模型选择的必要性。
2026-09-07 cs.LG
Long Horizon Forecasting With Temporal Point Processes
IIT Bombay（印度理工学院孟买分校）
近年来，标记时间点过程（MTPPs）已成为一个强大的建模机制，在各种各样的应用中描述异步事件。MTPP在预测事件时间方面表现出了巨大的潜力，特别是对于在不久的将来到达的事件。然而，由于当前的设计选择，MTPP在预测遥远未来的事件到达时往往表现出较差的预测性能。为了改善这一限制，在本文中，我们设计了DualTPP，这是特别适合于长期事件预测。DualTPP有两个组成部分。第一个组件是强度自由MTPP模型，它通过对未来事件的时间进行建模来捕获事件动态的微观或颗粒级信号。第二个组件采取不同的双重视角，在给定的时间窗口内对事件的汇总计数进行建模，从而封装宏观事件动态。然后，我们开发了一个新的推理框架，联合在两个模型%，有效地预测长期事件，通过解决一系列的约束二次优化问题。一组不同的真实数据集的实验表明，DualTPP优于现有的MTPP方法的长期预测的大幅利润率，实现几乎一个数量级的减少Wasserstein距离之间的实际事件和预测。
2021-03-07 cs.LG
Bounded-Abstention Multi-horizon Time-series Forecasting
DTAI lab & Leuven.AI（DTAI实验室及Leuven.AI）；KU Leuven（卢万大学）；Computer Science Dept（计算机科学系）；University of Pisa（比萨大学）；DISI, University of Trento（特伦托大学DISI）
本文提出了一种针对多时间尺度时间序列预测的回避学习方法，通过理论分析和算法设计，提升了预测准确性并优于现有基线。
2026-02-04 cs.LG
The Label Horizon Paradox: Rethinking Supervision Targets in Financial Forecasting
本文提出标签地平线悖论，指出最优监督信号常偏离预测目标，并基于动态信噪比权衡理论，提出双层优化框架自动寻找最优代理标签，在金融数据集上取得一致改进。
2026-08-20 cs.LG
ProbTS: Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons
HKUST (GZ)（香港科技大学（广州））；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
本文提出基准工具ProbTS，统一评估跨短期和长期视野的点预测与分布预测，系统比较前沿模型，揭示数据特征对方法偏好的影响，并指出通用模型的优劣与未来研究方向。
2024-10-21 cs.LG
N-Tree Diffusion for Long-Horizon Wildfire Risk Forecasting
N-Tree Diffusion通过共享早期去噪阶段和后期分支，提高了长周期野火风险预测的效率和准确性。
2026-03-07 cs.CV cs.LG
NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates
NVIDIA（英伟达）
该研究提出模型无关的NVExplain框架，通过潜在轨迹分析与结构保持替代模型，提升时间序列预测解释的忠实性与效率，解释具鲁棒性。
2026-08-27 cs.AI cs.LG stat.ML
Progressive Neural Network for Multi-Horizon Time Series Forecasting
The University of Sydney（悉尼大学）
提出 ProNet，通过潜在变量分段并自适应结合 AR 与 NAR 预测，在四个大型数据集上同时提升多视界时间序列预测的精度与速度。
2024-08-09 cs.LG
StateFlow: Dual-State Recurrent Modeling for Long-Horizon Time Series Forecasting
Department of Computer Science, Illinois Institute of Technology, Chicago, IL, USA（伊利诺伊理工学院计算机科学系）；Department of Computer Science, Emory University, Atlanta, GA, USA（埃默里大学计算机科学系）
提出StateFlow框架，扩展VARNN为双状态循环骨干，结合隐藏状态轨迹和残差记忆轨迹，通过分块解码器和两阶段优化实现长时域多步预测，在基准上取得竞争性能。
2026-07-02 cs.LG
HoTPP Benchmark: Are We Good at the Long Horizon Events Forecasting?
Sber AI Lab（Sber AI实验室）；Skoltech（斯克里普钦科技学院）
针对长时域事件预测缺乏基准的问题，提出HoTPP基准，引入T-mAP指标，发现现代MTPP方法常不如统计基线且存在模式崩溃。
2025-08-02 cs.LG
Detecting the Future: All-at-Once Event Sequence Forecasting with Horizon Matching
DEF提出了一种基于时间horizon匹配的事件序列预测方法，实现了高精度和多样性的长周期事件预测，并在多个领域取得显著提升。
2025-12-05 cs.AI cs.LG
Graph-Based Learning for Multi-Horizon Martian Atmospheric Forecasting
The Open University（开放大学）
本文提出图基框架MaGMA，将火星大气数据转化为图结构以支持多时间尺度预测，在常规年份取得高R²，并优于基线，但极端沙尘暴年份性能下降，凸显改进需求。
2026-09-29 cs.LG cs.SE
Continuous-Time Probabilistic Correctors for Uncertainty-Aware Physics-Based Spacecraft Trajectory Forecasting
Iowa State University（爱荷华州立大学）
提出一种预测-校正框架，用连续时间概率校正器增强确定性物理传播器，实现长期轨迹预测的准确性和校准不确定性估计。
2026-06-23 cs.LG
When Attention Does Not Explain the Peak: Temporal Reference vs. Forecast Output in Attention-Based Time-Series Forecasting
Sophia University（上智大学）
本研究通过巴拿马负荷数据集的31个窗口实验，发现时域级交叉注意力的峰值选择性与预测峰值无关，其作用更可能是整合未来外生信息的时间参考，而非解释预测行为。
2026-10-14 cs.LG
Optimal Look-back Horizon for Time Series Forecasting in Federated Learning
本文提出了一种在联邦学习中通过内在空间公式进行时间序列预测回溯范围选择的原理性框架，通过合成数据生成器和损失分解理论，为适应性回溯范围选择提供了理论支持。
2026-01-04 cs.AI cs.LG
Temporal horizons in forecasting: a performance-learnability trade-off
Institute of Neuroinformatics, ETH Zürich and University of Zürich（神经信息学研究所，苏黎世联邦理工学院和苏黎世大学）；School of Computing, National Australian University（计算学院，澳大利亚国立大学）；Unit of Land Change Science, Swiss Federal Research Institute for Forest, Snow and Landscape（土地变化科学单位，瑞士联邦森林、雪和景观研究 institute）
本研究通过动力系统理论分析损失景观几何与训练时间视界的关系，证明长视界训练泛化更优但损失景观更粗糙，为自回归预测模型的超参数优化提供理论基础。
2026-09-10 cs.LG nlin.CD
Auxiliary Quantile Forecasting with Linear Networks
University of Hildesheim（希尔德斯海姆大学）
我们提出了一种新的多任务方法，用于共享线性层的分位数预测。我们的方法是基于隐式分位数学习方法，其中来自均匀分布$\mathcal{U}(0, 1)$的样本被重新参数化为目标分布的分位数值。我们结合隐式分位数和输入时间序列表示，直接预测多个分位数估计多个视野联合。先前的工作已经采用了线性层，用于在多任务学习设置中直接估计所有预测范围。我们表明，根据多任务学习的类似直觉，利用预测范围之间的相关性，我们可以为每个预测范围建模多个分位数估计作为辅助任务，以提高分位数估计的预测准确性，而不是仅建模单个分位数估计。我们发现学习辅助分位数任务导致确定性预测基准的最先进的性能，关于预测50 $^{th}$百分位估计的主要任务。
2022-12-05 cs.LG stat.ME
Forking-Sequences: Statistically and Computationally Efficient Multi-Horizon Forecasting with Reduced Volatility
Amazon（亚马逊公司）；Carnegie Mellon University（卡内基梅隆大学）
研究时间序列预测中如何降低预测波动性，核心方法是采用分叉序列神经网络架构设计，好处是通过集成降低波动性、减少梯度方差、提高推理计算效率，在多数据集上验证了该方法能提升准确性并降低预测波动性。
2026-07-13 cs.LG
From Noise to Laws: Regularized Time-Series Forecasting via Denoised Dynamic Graphs
PRISM通过结合去噪动态图和物理惩罚正则化，实现了长跨度多变量时间序列预测的稳定与高精度。
2025-12-01 cs.LG
UrbanAI 2025 Challenge: Linear vs Transformer Models for Long-Horizon Exogenous Temperature Forecasting
Yeshiva University（耶鲁大学）
UrbanAI 2025挑战通过对比线性与Transformer模型，发现线性模型在长周期外生温度预测中表现更优，DLinear在所有划分中均取得最佳准确率。
2025-12-11 cs.AI cs.LG
Unified Flow Matching for Long Horizon Event Forecasting
Pater Patel Schneider（帕特·帕特·施耐德）；Sunil Issar（辛格·伊萨尔）；J. Scott Penberthy（J. 斯科特·彭伯思比）；George Ferguson（乔治·费格森）；Hans Guesgen（汉斯·格斯根）；Francisco Cruz（弗朗西斯科·克鲁兹）；Marc Pujol-Gonzalez（马克·普伊尔-冈萨雷斯）
针对现有自回归时间点过程模型在长时程事件预测中效率低且误差累积的问题，提出统一流匹配框架，实现非自回归联合建模事件间隔与类型，在六个基准上显著提升准确性与生成效率。
2025-08-06 cs.LG
Learning to Forecast Aleatoric and Epistemic Uncertainties over Long Horizon Trajectories
University of Colorado Boulder（科罗拉多大学博尔德分校）；The Charles Stark Draper Laboratory, Inc.（查尔斯·斯塔克·德雷珀实验室公司）
赋予自主智能体预测自己的结果和不确定性的能力，将使它们能够交流自己的能力，并更安全地使用。我们完成这一点，通过使用一个学习的世界模型的代理系统，以预测在很长一段时间内的全部代理轨迹。现实世界的系统涉及任意和认知不确定性的重要来源，它们在轨迹预测中随着时间的推移而复合和相互作用。我们开发了一个深度生成的世界模型，它量化了任意的不确定性，同时在学习过程中纳入了认知不确定性的影响。我们展示了两个强化学习问题，我们的不确定性模型在整个轨迹范围内产生校准的结果不确定性估计。
2023-02-17 cs.AI cs.LG cs.RO
Vision-Guided Forecasting -- Visual Context for Multi-Horizon Time Series Forecasting
Technion - Israel Institute of Technology（以色列理工学院）；Bosch Center for Artificial Intelligence（博世人工智能中心）
近年来，自动驾驶获得了巨大的吸引力，因为它有可能改变我们的通勤方式。已经投入了大量的努力来尝试估计车辆的状态。与此同时，学习预测前方车辆的状态引入了新的功能，例如预测危险情况。此外，预测带来了新的监督机会，通过学习预测更丰富的背景下，由多个视野表示。直觉上，来自前置摄像头的视频流是必要的，因为它编码了即将到来的道路的信息。此外，车辆状态的历史痕迹提供了更多的背景。在本文中，我们解决多地平线的车辆状态预测融合这两种方式。我们设计并实验了3个端到端架构，这些架构利用3D卷积进行视觉特征提取，并利用1D卷积从速度和转向角轨迹中提取特征。为了证明我们的方法的有效性，我们在两个公开的真实世界数据集上进行了广泛的实验，Comma 2k 19和Udacity挑战。我们表明，我们能够预测车辆的状态，以各种视野，而优于目前的国家的最先进的结果，驾驶状态估计的相关任务。我们研究了视觉特征的贡献，发现在Udacity和Comma 2k 19数据集上，使用视觉特征的模型的误差分别是不使用这些特征的模型的56.6%和66.9%。
2021-09-26 cs.CV cs.LG
Horizon-Aware Forecasting of Passenger Assistance Demand for Rail Station Workforce Planning
London North Eastern Railway（伦敦东北铁路）；Digital and Innovation Department（数字与创新部门）
本文提出一种数据驱动的决策支持框架，用于预测车站乘客协助需求并转化为工作人员计划。通过多源运营数据的多源数据驱动方法和可解释的红黄绿风险框架，提高了预测准确性并减少了因工作人员可用性导致的失败交付。
2026-04-08 cs.LG stat.AP
Optimization-based Online Conformal Prediction for Multi-step Forecasting
University of Michigan（密歇根大学）
提出O2CP框架，通过双层优化结构建模多步误差依赖，在保证边际覆盖有效性的同时生成更窄的预测区间，实验表明在自动驾驶、气候预测等领域优于现有方法。
2026-08-10 cs.LG
Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting
The University of Bristol（布里斯托大学）
研究多期波动率预测中，通过改变推理时的展开规则来提升预测性能，发现验证集选择的部署策略能有效改善MIMO模型性能，且策略选择对评估指标敏感。
2026-06-29 cs.AI cs.LG
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
Signal Simplification Is Not Predictive Simplification: Diagnosing Residual Neural Forecasting in Short-Horizon Volatility
University of Maryland, College Park（马里兰大学帕克分校）
该研究通过信号-预测-系统诊断框架，发现短期波动率预测中统计残差简化（方差降低约82%）并不改善残差LSTM的预测精度（MSE从0.3049升至0.3594），揭示了预测器-预处理器不对称性。
2026-10-05 cs.LG
Long-Horizon Traffic Forecasting via Incident-Aware Conformal Spatio-Temporal Transformers
Department of Mechanical and Aerospace Engineering and the Center for Automotive Research, The Ohio State University（机械与航空航天工程系和汽车研究中心，俄亥俄州立大学）；Ohio Department of Transportation（俄亥俄州交通部）；Honda Research Institute USA, Inc.（本田美国研究院）
本文提出一种基于适应性符合性预测的时空变换器模型，通过动态邻接矩阵和事故相关信号改进长周期交通预测的准确性和不确定性校准。
2026-03-17 cs.LG
AMLNet: Adversarial Mutual Learning Neural Network for Non-AutoRegressive Multi-Horizon Time Series Forecasting
School of Computer Science, The University of Sydney（悉尼大学计算机学院）
AMLNet 通过在线知识蒸馏结合深层 AR 与 NAR 解码器作为集成教师，并利用结果驱动和提示驱动两种机制训练浅层 NAR 解码器，在提升多时段时序预测精度的同时加快计算速度。
2023-10-30 cs.LG
Sub-City Real Estate Price Index Forecasting at Weekly Horizons Using Satellite Radar and News Sentiment
Ozyegin University（奥兹根大学）
本文通过结合卫星雷达与新闻情绪数据，实现了下辖城市房地产价格指数的周频预测，显著提升了长期预测的准确性。
2026-02-20 cs.LG q-fin.ST
