Temporal Attention Evolutional Graph Convolutional Network for Multivariate Time Series Forecasting
College of Information Science and Engineering, China University of Petroleum Beijing（信息科学与工程学院，中国石油大学（北京））；Beijing Key Laboratory of Petroleum Data Mining, China University of Petroleum Beijing（北京石油数据挖掘重点实验室，中国石油大学（北京））
本文提出TAEGCN模型，通过结合因果时序卷积、多头自注意力机制和动态图结构构建，有效捕捉多变量时间序列的时空特征，在METR-LA和PEMS-BAY数据集上取得优越预测性能。
2025-05-01 cs.LG
TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis
Tsinghua University（清华大学）；BNRist（北京国家信息科学与技术研究中心）
本文提出 TimesNet，通过将一维时间序列按多周期变换为二维张量，并用 TimesBlock 自适应建模周期内与周期间变化，在预测、填补、分类和异常检测等五个主流任务上取得最先进性能。
2023-04-12 cs.LG
Towards Non-Stationary Time Series Forecasting with Temporal Stabilization and Frequency Differencing
DTAF通过时域稳定化与频域差分方法，提升非平稳时间序列预测的鲁棒性和准确性。
2025-11-27 cs.LG
Temporally Unified Adversarial Perturbations for Time Series Forecasting
本文提出时间统一对抗扰动方法，通过时间一致性约束和梯度累积方法提升时间序列预测模型的对抗攻击效果。
2026-02-12 cs.LG
Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting
Aarhus University（奥胡斯大学）
金融市场分析，特别是股票价格走势的预测，是一个具有挑战性的问题。金融时间序列数据的非平稳性和非线性是这些挑战的主要原因。深度学习模型已经在来自不同领域的许多问题中带来了显着的性能改进，包括金融时间序列数据的预测问题。虽然预测性能是这类模型的主要目标，但处理超高频数据集在模型参数数量和推理速度方面受到限制。时间注意力增强双线性网络是近年来提出的一种高效、高性能的限价订单时间序列预测模型。在本文中，我们提出了一种低秩张量近似模型，以进一步减少可训练参数的数量并提高其速度。
2021-07-05 cs.LG
TimeGNN: Temporal Dynamic Graph Learning for Time Series Forecasting
KTH（瑞典皇家理工学院）
TimeGNN 通过动态时序图表示捕捉多元时间序列间模式的演化与相关性，在保持可比预测性能的同时将推理速度提升 4 至 80 倍。
2023-11-30 cs.LG
Adopting Trustworthy AI for Sleep Disorder Prediction: Deep Time Series Analysis with Temporal Attention Mechanism and Counterfactual Explanations
Kent State University（肯特州立大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）；Chapman University（查普曼大学）
本文提出结合TCN、LSTM和TFT三种深度时间序列模型，并引入时间注意力机制与SHAP反事实解释，在大规模睡眠健康数据上实现可信、可解释的睡眠障碍预测。
2024-12-25 cs.LG
TMAML: Temporal Model-Agnostic Meta-Learning for Cold-Start Time Series Forecasting
Ghent University（根特大学）
针对冷启动时间序列预测，提出时间模型无关元学习（TMAML），通过构建时间一致的元任务并优化模型，使预测模型在少数据下快速适应，实证表明其优于或匹配标准训练模型。
2026-10-06 cs.LG
Temporal Feature Selection on Networked Time Series
考虑时间序列间的关联信息，提出了从网络时间序列数据中学习判别特征（\textit{i.e.,}段）的问题。例如，社交网络用户被认为是持续生成表示为时间序列的社交信号（推文）的社交传感器。在时间序列中，区分性片段通常被称为\emph{shapelets}。提取时间序列的形状特征是一个广泛研究的课题。然而，现有的工作shapelet选择假设的时间序列是独立和同分布（i.i.d.）。这个假设限制了他们的应用程序的社会网络的时间序列分析，因为用户的行为可以与他/她的社会关系。本文提出了一种新的网络正则化最小二乘（NetRLS）特征选择模型，结合典型的时间序列数据和用户网络数据进行分析。在真实网络时间序列Twitter和DBLP数据上的实验验证了该方法的有效性。NetRLS在真实世界数据上的性能优于LTS，LTS是最先进的时间序列特征选择方法。
2016-12-22 cs.LG
Dense Bag-of-Temporal-SIFT-Words for Time Series Classification
Université de Rennes 2（雷恩第二大学）；Agrocampus Ouest（西部农业学院）；Université de Rennes 1（雷恩第一大学）；Université de Bretagne-Sud（南布列塔尼大学）
时间序列分类是一个特别感兴趣的应用程序，随着数据的增加，以监测。时间序列分类的经典技术依赖于点到点距离。最近，词袋法已被用于这方面。单词是从滑动窗口提取的简单特征的量化版本。SIFT框架已被证明是有效的图像分类。在本文中，我们设计了一个时间序列分类方案，建立在SIFT框架适应时间序列饲料袋的话。然后，我们通过研究规范化的词袋的影响来改进我们的方法，以及密集地提取点描述符。建议的调整实现更好的性能。评估表明，我们的方法优于经典的分类技术。
2016-01-13 cs.LG
Tackling Time-Series Forecasting Generalization via Mitigating Concept Drift
Georgia Institute of Technology（佐治亚理工学院）
本文提出ShifTS框架，通过统一处理时间序列中的时间漂移和概念漂移，提升预测准确性。
2026-03-25 cs.LG
Approximate Probabilistic Inference for Time-Series Data A Robust Latent Gaussian Model With Temporal Awareness
Karlstad University（卡尔斯塔德大学）
针对传统模型在非平稳时间序列预测中泛化差的问题，提出具有时间感知与鲁棒性的概率生成模型tDLGM，通过负对数损失和考虑数据趋势的正则化器优化，有效重建复杂时间序列并抵御噪声。
2024-11-15 cs.LG
Trio: Learning Time-Series Forecasting with Temporal-Spatial-Sample Attention and Structural Causal Priors
Nanyang Technological University（南洋理工大学）
提出Trio架构，通过时间、空间和样本三种注意力机制分别捕获时序动态、变量间依赖和历史样本对应，并引入时间序列结构因果模型生成合成任务以提供结构先验，提升多变量时间序列预测性能。
2026-06-05 cs.LG
InvDec: Inverted Decoder for Multivariate Time Series Forecasting with Separated Temporal and Variate Modeling
Department of Computer Science（计算机科学系）
提出InvDec混合架构，通过分离时间编码与变量级解码并引入延迟嵌入和自适应残差融合，在高维多元时间序列预测中显著优于PatchTST。
2025-10-23 cs.LG
StatioCL: Contrastive Learning for Time Series via Non-Stationary and Temporal Contrast
University of Cambridge（剑桥大学）；University of Melbourne（墨尔本大学）；Nokia Bell Labs（诺基亚贝尔实验室）
针对时间序列对比学习中因忽略内在特征导致的假负样本对问题，提出StatioCL框架，通过捕捉非平稳性和时间依赖性分别消除语义和时间假负样本对，显著提升了分类性能与数据效率。
2024-10-14 cs.LG
Towards Interpretable Concept Learning over Time Series via Temporal Logic Semantics
Università degli Studi di Trieste（特里埃斯特大学）
本文提出一种神经符号框架，将时间序列嵌入信号时序逻辑概念空间，通过STL核函数联合优化分类准确性与可解释性，实现基于可解释时序模式的分类及局部与全局符号解释。
2025-08-27 cs.LG
Match-And-Deform: Time Series Domain Adaptation through Optimal Transport and Temporal Alignment
Université Rennes 2（雷恩第二大学）；Université Bretagne Sud（布列塔尼南大学）；IRISA（法国国家信息与自动化研究所（IRISA））；LETG（雷恩第二大学技术与地球科学实验室（LETG））；UMR CNRS 6074（法国国家科学研究中心（CNRS）UMR 6074联合实验室）
针对时间序列无监督域适应中存在的特征分布偏移与时间偏移问题，提出结合最优传输与动态时间规整的MAD方法，可学习域对齐且判别性强的表征，在基准与遥感数据上取得了媲美或优于现有先进方法的分类性能。
2023-08-25 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
A Temporal Kolmogorov-Arnold Transformer for Time Series Forecasting
Université Paris Dauphine - PSL（巴黎多芬大学-PSL大学）；CREST-ENSAE, Institut Polytechnique de Paris（巴黎综合理工学院CREST-ENSAE）
提出 TKAT 架构，结合 TKAN 与 transformer 的自注意力机制处理多变量时间序列，简化复杂依赖并提升长距离依赖捕获与可解释性。
2024-06-05 cs.LG
Temporal Graph ODEs for Irregularly-Sampled Time Series
University of Pisa（比萨大学）；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）；Politecnico di Milano（米兰理工大学）
针对不规则采样的时间图流，本文提出 TG-ODE 框架，通过联合建模连续时间与空间动态，在多个图基准上达到最先进性能。
2024-04-30 cs.LG
Medical Time Series Classification with Hierarchical Attention-based Temporal Convolutional Networks: A Case Study of Myotonic Dystrophy Diagnosis
Rochester Data Science Consortium（罗切斯特数据科学联盟）；University of Rochester（罗切斯特大学）
肌强直是强直性肌营养不良患者的主要症状，是指肌肉收缩后延迟松弛。我们提出了一个分层的注意力为基础的时间卷积网络（HA-TCN）的肌强直性营养不良的诊断，从握力时间序列数据，并引入机制，使模型的可解释性。我们将HA-TCN模型的性能与基准TCN模型、具有和不具有注意力机制的LSTM模型以及具有手工特征的SVM方法进行了比较。在分类精度和F1得分方面，我们发现所有深度学习模型的性能水平相似，并且都优于SVM。此外，无论网络深度如何，HA-TCN模型在计算效率方面都优于其TCN对应模型，并且在性能方面，特别是当隐藏层的数量很小时。最后，HA-TCN模型可以在手柄时间序列的放松阶段一致地识别相关的时间序列片段，并且与基于注意力的LSTM模型相比，对噪声的鲁棒性有所提高。
2019-03-28 cs.LG
Beyond Marginals: Learning Joint Spatio-Temporal Patterns for Multivariate Anomaly Detection
Virginia Tech（弗吉尼亚理工大学）
本文提出通过潜在空间中解耦边际分布、时间动态与变量间依赖，并结合Transformer、copula和自监督对比学习来建模多元时间序列的联合时空模式，以提升异常检测性能。
2025-09-18 cs.LG
TimeSliver : Symbolic-Linear Decomposition for Explainable Time Series Classification
Northwestern University（北卡罗来纳大学）
TimeSliver通过结合原始时间序列数据和符号抽象，提出了一种新的可解释性驱动的深度学习框架，有效提升时间序列分类的可解释性和预测性能。
2026-03-06 cs.LG
A Temporal Linear Network for Time Series Forecasting
DRM, Université Paris Dauphine - PSL（巴黎多芬大学 - PSL DRM机构）；CREST-ENSAE, Institut Polytechnique de Paris（巴黎综合理工学院 CREST-ENSAE机构）
针对时间序列预测，提出保持严格线性、可解释且高效的Temporal Linear Net（TLN），作为TSMixer变体，它能捕捉多变量时序的时间与特征依赖，保留时序结构，还可计算等效线性模型以实现灵活训练与推理优化。
2024-10-28 cs.LG
Contrast All the Time: Learning Time Series Representation from Temporal Consistency
Department of Computer Science, Norwegian University of Science and Technology, Norway（挪威科学技术大学计算机科学系）；Department of Computer Science, United States Naval Academy, USA（美国海军学院计算机科学系）
本文提出CaTT，一种基于持续对比学习的时间序列表示学习方法，通过全时间维度并行对比提升效率，无需数据增强或视图选择，实现端到端学习。
2025-07-15 cs.LG
TodyNet: Temporal Dynamic Graph Neural Network for Multivariate Time Series Classification
Harbin Institute of Technology（哈尔滨工业大学）；State Grid Shanghai Municipal Electric Power Company（国网上海市电力公司）
针对现有多变量时间序列分类方法忽略维度间隐藏依赖、缺乏时序动态特征提取的问题，提出TodyNet时序动态图神经网络，搭配可学习时序图池化层，端到端联合学习，在26个UEA基准数据集上性能超越现有深度学习方法。
2023-04-11 cs.LG
Learning by Shifting: Temporal View Construction for Time Series Contrastive Learning
Norwegian University of Science and Technology（挪威科技大学）；United States Naval Academy（美国海军学院）
提出Shift Invariant Feature Training (ShiFT)方法，通过确定性视图构建编码时间移位不变性，在六个真实世界时间序列基准和UCR/UEA数据集上达到最优性能，并减少训练时间。
2026-06-23 cs.LG
Seeing Time: Visual-Temporal Representation Learning for Interpretable Time Series Clustering
Huizhou No. 1 High School（惠州市第一中学）；Guangdong University of Technology（广东工业大学）；South China University of Technology（华南理工大学）
本文提出WAVE方法，通过对齐时间序列与波形图进行视觉-时间表征学习，实现可追溯的聚类，在10个数据集上取得最佳性能。
2026-09-30 cs.LG
TimeFormer: Transformer with Attention Modulation Empowered by Temporal Characteristics for Time Series Forecasting
Software College, Northeastern University, Shenyang, China（东北大学软件学院）；School of Software, University of Science and Technology of China（中国科学技术大学软件学院）；Xichang Satellite Launch Center, Xichang, China（西昌卫星发射中心）
TimeFormer通过引入带有两个调制项的自注意力机制（MoSA），结合霍克斯过程和因果掩码捕获时间序列的单向影响与衰减特征，并采用多尺度子序列分析，显著提升预测精度，MSE降低7.45%，在94.04%指标上创基准。
2025-10-08 cs.LG
A Dynamic Stiefel Graph Neural Network for Efficient Spatio-Temporal Time Series Forecasting
School of Mathematics and Statistics, Wuhan University of Technology（武汉理工大学数学与统计学院）
本文提出动态时空Stiefel图神经网络DST-SGNN，通过Stiefel流形上的图谱卷积和线性动态图优化高效建模时空相关性，在七个数据集上以较低计算成本超越现有方法。
2025-06-01 cs.LG
CASE-NET: Deep Spatio-Temporal Representation Learning via Causal Attention and Channel Recalibration for Multivariate Time Series Classification
Shandong Technology and Business University（山东技术与商业大学）；Ludong University（鲁东大学）
本文提出CASE-NET，通过因果注意力和通道重校准模块，解决多变量时间序列分类中时空表示不准确的问题，实现在四个任务上达到新的最先进基准，最高准确率达98.6%。
2026-05-21 cs.LG
sTransformer: A Modular Approach for Extracting Inter-Sequential and Temporal Information for Time-Series Forecasting
Tsinghua University（清华大学）
针对现有Transformer类时间序列预测模型的两类局限，提出融合STCN与序列引导掩码注意力的模块化sTransformer，在长期预测等任务上取得SOTA，验证了Transformer结构的有效性。
2024-08-19 cs.LG
TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling
School of Software, BNRist, Tsinghua University. Jiaxiang Dong < > . Haixu Wu < >
本文提出 TimeSiam，一种基于孪生网络的时间序列自监督预训练框架，通过过去到当前子序列重建和可学习谱系嵌入捕获时间相关性，在 13 个基准上取得优于先进基线的预测与分类性能。
2024-06-07 cs.LG
ASTGI: Adaptive Spatio-Temporal Graph Interactions for Irregular Multivariate Time Series Forecasting
School of Data Science and Engineering, East China Normal University, Shanghai, China（东华大学数据科学与工程学院，上海，中国）；Engineering Research Center of Blockchain Data Management, Ministry of Education, China（教育部区块链数据管理工程研究中心，中国）
本文提出ASTGI框架，通过自适应时空图交互解决不规则多变量时间序列预测中的数据表示和动态依赖捕捉问题，实验表明其优于现有方法。
2026-03-12 cs.LG
Modelling Networked Dynamical System by Temporal Graph Neural ODE with Irregularly Partial Observed Time-series Data
Cranfield University（克兰菲尔德大学）
针对不规则采样且部分可观测的图结构时间序列，本文提出融合可靠性与时间感知机制的 Graph Neural ODE，以捕捉时空依赖、重构动态并提升预测。
2024-11-29 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
Temporal-Spatial dependencies ENhanced deep learning model (TSEN) for household leverage series forecasting
Central University of Finance and Economics（中央财经大学）；Beijing Wuzi University（北京物资学院）
由于时空动态的复杂性，分析时间和空间模式以建立准确的金融时间序列预测模型是一项挑战：来自不同位置的时间序列通常具有不同的模式;对于同一时间序列，模式可能会随着时间的推移而变化。受深度学习成功应用的启发，本文提出了一个新的模型来解决中国家庭杠杆率的预测问题。我们的解决方案由多个基于RNN的层和一个注意层组成：每个基于RNN的层自动学习具有多变量外生序列的特定序列的时间模式，然后注意层学习空间相关权重并同时获得全局表示。结果表明，新方法能较好地捕捉到居民杠杆率的时空动态变化，预测结果更加准确可靠。此外，仿真研究还表明，聚类和选择相关序列是必要的，以获得准确的预测结果。
2022-10-17 cs.LG stat.ML
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
Revisit Time Series Classification Benchmark: The Impact of Temporal Information for Classification
University of New South Wales（新南威尔士大学）
本文通过置换检验发现UCR基准中许多数据集时间信息影响甚微，提出UCR Augmented基准以公平评估分类器的时间信息利用能力，测试显示性能排名显著变化。
2025-03-26 cs.LG stat.ML
Sparsification and Filtering for Spatial-temporal GNN in Multivariate Time-series
University College London（伦敦大学学院）
我们提出了一个端到端的架构，多变量时间序列预测，集成了时空图神经网络与矩阵过滤模块。该模块在将多变量时间序列输入到GNN之前，从多变量时间序列生成过滤（逆）相关图。与图神经网络中采用的现有稀疏化方法相比，我们的模型明确地利用时间序列滤波来克服复杂系统数据典型的低信噪比。我们提出了一组实验，我们预测未来的销售额从一个合成的时间序列销售数据集。所提出的时空图神经网络相对于基线方法显示出优越的性能，没有图形信息，完全连接，断开的图形和未过滤的图形。
2022-03-08 cs.LG q-fin.CP
Learnable Dynamic Temporal Pooling for Time Series Classification
POSTECH（浦项科技大学）
随着可用时间序列数据的增加，预测其类别标签已成为众多学科中最重要的挑战之一。最近的时间序列分类研究表明，卷积神经网络（CNN）实现了最先进的性能作为一个单一的分类器。在这项工作中，指出，通常采用现有的CNN分类器的全局池层丢弃的高级别功能的时间信息，我们提出了一个动态的时间池（DTP）技术，通过聚集在段级别的功能，减少隐藏表示的时间大小。为了将整个系列划分为多个片段，我们利用动态时间规整（DTW）将每个时间点按时间顺序与片段的原型特征对齐，这些特征可以与CNN分类器的网络参数同时优化。与全连接层相结合的DTP层有助于提取进一步的判别特征，考虑到它们在输入时间序列中的时间位置。在单变量和多变量时间序列数据集上的大量实验表明，我们提出的池化方法显着提高了分类性能。
2021-04-02 cs.AI cs.LG
Temporal Tensor Transformation Network for Multivariate Time Series Prediction
IBM Almaden Research Center（IBM阿尔马登研究中心）
多变量时间序列预测在广泛的领域中有应用，并且被认为是一项非常具有挑战性的任务，特别是当变量具有相关性并表现出复杂的时间模式（例如季节性和趋势）时。许多现有的方法遭受强大的统计假设，高维数值问题，手动功能工程的努力，和可扩展性。在这项工作中，我们提出了一种新的深度学习架构，称为时间张量变换网络，它通过提出的时间切片堆栈变换将原始多变量时间序列转换为更高阶的张量。这产生了原始多变量时间序列的新表示，这使得卷积核能够从相对较大的时间区域中提取复杂的非线性特征以及可变的干扰信号。实验结果表明，时间张量变换网络在各种任务的基于窗口的预测上优于几种最先进的方法。所提出的架构还通过广泛的灵敏度分析展示了强大的预测性能。
2020-01-04 cs.LG stat.ML
NAST: Non-Autoregressive Spatial-Temporal Transformer for Time Series Forecasting
虽然Transformer在广泛的领域特别是自然语言处理（NLP）领域取得了突破性的成功，但将其应用于时间序列预测仍然是一个巨大的挑战。在时间序列预测中，对标准Transformer模型进行自回归解码不可避免地会引入巨大的累积误差。此外，利用Transformer处理问题中的时空依赖性仍然面临着困难。为了解决这些限制，这项工作是第一次尝试提出一个非自回归Transformer架构的时间序列预测，旨在克服时间延迟和累积误差的问题，在规范的Transformer。此外，本文提出了一种新的时空注意力机制，通过学习的时间影响图来搭建一座桥梁，填补时空注意力之间的空白，从而实现时空依赖的一体化处理。从经验上讲，我们在以自我为中心的多样化未来定位数据集上评估了我们的模型，并在实时性和准确性方面展示了最先进的性能。
2021-05-29 cs.LG stat.ML
Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction
Aarhus University（奥胡斯大学）；Tampere University（坦佩雷大学）
金融时间序列预测是时间序列分析中最具挑战性的领域之一。这主要是由于金融时间序列数据的高度非平稳性和噪声性。随着社会的进步努力，设计专门的神经网络结合先前的领域知识，许多金融分析和预测问题已经成功地解决。时间注意力机制是一种神经层设计，最近由于其专注于重要时间事件的能力而流行起来。在本文中，我们提出了一个神经层的时间注意力和多头注意力的思想的基础上扩展的能力，同时关注多个时间实例的底层神经网络。我们的方法的有效性进行了验证，使用大规模的限价订单簿市场数据来预测中间价的运动方向。我们的实验表明，使用多头时间注意模块导致增强的预测性能相比，基线模型。
2022-01-14 cs.CE cs.LG
Encoding Temporal Markov Dynamics in Graph for Visualizing and Mining Time Series
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）；Microsoft Corporation（微软公司）
时间序列和信号在统计学、机器学习和模式识别领域引起了越来越多的关注，因为它广泛地出现在行业中，特别是在传感器和物联网相关的研究和应用中，但由于其时间维度和复杂的动态特性，在有效的时间序列可视化分析和交互方面几乎没有取得进展。最近的努力，使用网络指标来表征时间序列的分类的启发，我们提出了一种方法来可视化的时间序列作为复杂的网络的基础上的一阶马尔可夫过程在其时间排序。与经典的条形图、线图和其他基于统计的图形相比，我们的方法提供了更直观的可视化，更好地保留了时间依赖性和频率结构。它提供了一个自然的逆操作来将图形映射回原始信号，从而可以使用图形统计来表征时间序列，以更好地进行可视化探索和统计分析。我们的实验结果表明，各种任务，如模式发现和分类的合成和实时的序列和传感器数据的有效性。
2018-08-14 cs.HC cs.LG
Time-Series Representation Learning via Temporal and Contextual Contrasting
Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）
从具有时间动态的未标记时间序列数据中学习合适的表示是一项非常具有挑战性的任务。在本文中，我们提出了一个无监督的时间序列表示学习框架通过时间和上下文对比（TS-TCC），学习时间序列表示从未标记的数据。首先，原始的时间序列数据被转换成两个不同的，但相关的意见，通过使用弱和强增强。其次，我们提出了一种新的时间对比模块，通过设计一个艰难的跨视图预测任务来学习鲁棒的时间表示。最后，为了进一步学习区分性表征，我们提出了一个上下文对比模块，该模块建立在时间对比模块的上下文之上。它试图最大化相同样本的不同上下文之间的相似性，同时最小化不同样本的上下文之间的相似性。在三个真实世界的时间序列数据集上进行了实验。结果表明，在我们提出的TS-TCC学习的特征之上训练线性分类器与监督训练相比具有更好的性能。此外，我们提出的TS-TCC在少标记数据和迁移学习场景中表现出很高的效率。该代码可在https://github.com/emadeldeen24/TS-TCC上公开获取。
2021-06-26 cs.AI cs.LG
Lightweight Temporal Self-Attention for Classifying Satellite Image Time Series
LASTIG, ENSG, IGN, Univ Gustave Eiffel（LASTIG，法国国家地理科学学院，法国国家地理与森林信息局，古斯塔夫·埃菲尔大学）
地球观测卫星数据的可获得性和精确度不断提高，为工业和国家行为者提供了相当多的机会。然而，这需要能够在全球范围内处理时间序列的有效方法。基于最近的工作采用多头自注意力机制分类遥感时间序列，我们提出了一个修改的时间注意力编码器。在我们的网络中，时间输入的通道分布在并行操作的几个紧凑的注意力头之间。每个头部提取高度专业化的时间特征，这些特征依次连接成单个表示。我们的方法优于其他国家的最先进的时间序列分类算法的开放访问的卫星图像数据集，同时使用显着更少的参数，并与降低计算复杂性。
2020-07-08 cs.CV cs.LG
Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection
本文提出时间条件归一化流框架，通过建模时间依赖性与不确定性，实现多变量时间序列的高效异常检测。
2026-03-10 cs.AI cs.LG
From Time Series to Euclidean Spaces: On Spatial Transformations for Temporal Clustering
IBM Research - Zurich（IBM研究院-苏黎世）
时态数据的无监督聚类在机器学习中是一个具有挑战性和关键性的问题。在本文中，我们表明，当输入数据中同时存在变化的采样率和高维度时，传统的聚类方法、特定于时间序列的方法甚至基于深度学习的替代方法都无法很好地推广。我们提出了一种新的时间聚类方法，其中我们（1）通过使用适用于处理时间数据的相似性度量将输入时间序列转换为基于距离的投影表示，（2）将这些投影馈送到多层CNN-GRU自动编码器中以生成有意义的域感知潜在表示，其最终（3）允许对最重要的传统聚类算法有益的聚类的自然分离。我们对来自各个领域的时间序列数据集进行了评估，结果表明，它不仅在所有情况下都优于现有方法，最高可达32%，而且还具有鲁棒性，计算开销可以忽略不计。
2020-10-02 cs.LG stat.ML
TStruct: Learning Shared Temporal Structures for Long-Term Time-Series Forecasting
University of Science and Technology of China (USTC)（中国科学技术大学）；Suzhou Institute for Advanced Research, USTC（中国科学技术大学苏州高等研究院）
TStruct是一种学习共享时间结构的网络，通过参数化共享时间依赖矩阵等方式，在多数据集上优于基线，实现长期时间序列预测的高效高精度建模。
2026-10-14 cs.AI cs.LG
Temporal-Decay Shapley: A Time-Aware Data Valuation Framework for Time-Series Data
School of Artificial Intelligence, Guangzhou University（广州大学人工智能学院）；School of Public Finance and Taxation, Guangdong University of Finance and Economics（广东财经大学公共财政与税收学院）
本文提出时间衰减Shapley方法，通过时间衰减机制和多尺度融合策略提升时间序列数据样本估值精度，实验表明其在噪声检测和高价值数据识别任务中优于传统方法。
2026-05-04 cs.GT cs.LG
Extended Vertical Lists for Temporal Pattern Mining from Multivariate Time Series
University of Florida（佛罗里达大学）
时间模式挖掘（TPM）是在有监督的环境下从多变量时间序列中挖掘预测性复杂时间模式的问题。我们开发了一种新的方法，称为扩展垂直列表的快速时间模式挖掘。该方法利用了Apriori属性的扩展，该属性要求更复杂的模式仅出现在记录中所有子模式都被检测到的地方。该方法基于一种称为扩展垂直列表的新颖数据结构，该结构跟踪记录内模式的第一状态的位置。大量的计算结果表明，新的方法执行显着快于以前版本的算法TMP。然而，速度的提高是以内存使用为代价的。
2018-04-26 cs.LG stat.ML
MST-GAT: A Multimodal Spatial-Temporal Graph Attention Network for Time Series Anomaly Detection
East China Normal University（华东师范大学）
针对多模态时间序列异常检测中未显式建模模态间时空关系的问题，提出MST-GAT网络，结合图注意力与时序卷积捕获相关性，在四个基准上优于现有方法并提升可解释性。
2023-10-17 cs.AI cs.LG
Learning Time Series Detection Models from Temporally Imprecise Labels
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
在本文中，我们考虑了一个新的低质量标签学习问题：学习时间序列检测模型从时间不精确的标签。在这个问题中，数据由一组输入时间序列组成，并且由对应于正类事件的发生的噪声时间戳序列提供监督。这种时间上不精确的标签通常发生在移动健康研究等领域，其中人类注释者的任务是标记非常短持续时间的事件的发生。我们提出了一个通用的学习框架，这个问题，可以容纳不同的基础分类器和噪声模型。我们在真实的移动健康数据上呈现的结果显示，所提出的框架显着优于许多替代方案，包括假设标签时间戳是无噪声的，将问题转化为多实例学习框架，以及在手动重新对齐的标签上学习。
2017-04-13 cs.LG stat.ML
