Combating Distribution Shift for Accurate Time Series Forecasting via Hypernetworks
Nanchang University（南昌大学）；ETH Zurich（苏黎世联邦理工学院）；The Hong Kong Polytechnic University（香港理工大学）
时间序列预测在城市生活中有着广泛的应用，从空气质量监测到交通分析。然而，准确的时间序列预测是具有挑战性的，因为现实世界的时间序列遭受的分布偏移的问题，其中它们的统计特性随时间而变化。尽管广泛的解决方案，分布偏移领域自适应或推广，他们无法有效地在未知的，不断变化的分布偏移，这是常见的时间序列。在本文中，我们提出了超时间序列预测（HTSF），一个基于超网络的准确预测框架下的分布偏移的时间序列。HTSF以端到端的方式联合学习时变分布和相应的预测模型。具体而言，HTSF利用超层来学习分布偏移的最佳表征，生成主层的模型参数以进行准确的预测。我们将HTSF实现为一个可扩展的框架，可以合并不同的时间序列预测模型，如RNN和Transformers。在9个基准上的大量实验表明，HTSF达到了最先进的性能。
2022-07-14 cs.AI cs.LG
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
Probabilistic Time Series Forecasting with Implicit Quantile Networks
Zalando SE（扎兰多股份公司）
在这里，我们提出了一个一般性的概率时间序列预测方法。我们将自回归递归神经网络与隐式分位数网络相结合来模拟时间动态，以学习时间序列目标上的一大类分布。当与真实和模拟数据的其他概率神经预测模型相比时，我们的方法在逐点预测精度以及估计潜在的时间分布方面是有利的。
2021-07-08 cs.AI cs.LG
Empowering Time Series Forecasting with LLM-Agents
Visa Research（Visa研究）
DCATS通过提升数据质量而非模型架构，为时间序列预测的AutoML提供了新的方法，实现了平均6%的误差减少。
2025-11-26 cs.AI cs.LG
Retrieval Augmented Time Series Forecasting
University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
本文提出检索增强预测框架RAF，用于提升时间序列预测的准确性，尤其在大规模模型中效果更显著。
2026-04-06 cs.AI cs.LG
Time series Forecasting to detect anomalous behaviours in Multiphase Flow Meters
Università degli Studi di Padova（帕多瓦大学）；Pietro Fiorentini（彼得罗·菲奥伦蒂尼公司）
针对多相流量计（MPFM），开发了一种自诊断异常检测系统。该系统依赖于机器学习算法进行时间序列预测，历史数据已用于训练模型并预测传感器的行为，从而检测异常。
2022-12-30 cs.AI cs.LG
TripCast: Pre-training of Masked 2D Transformers for Trip Time Series Forecasting
Trip.com Group（携程集团）
针对旅游业具有前置时间特性的二维出行时间序列，提出 TripCast 建模范式，通过掩码与重建进行二维 Transformer 预训练，在域内和域外预测中取得优异性能。
2024-10-24 cs.AI cs.LG
Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting
University Of Waterloo（滑铁卢大学）
单变量时间序列中的异常通常指异常值以及与大多数历史观测的时间模式的偏差。在多元时间序列中，异常也指序列间关系（如相关性）随时间的异常变化。现有的研究已经能够通过图神经网络来建模这种系列间的关系。然而，大多数工作解决了学习静态图全局或在上下文窗口内，以帮助时间序列预测任务或重建任务，其目标是不适合显式检测异常关系。其他一些作品基于重建或预测系列间图的列表来检测异常，由于图的离散性，这无意中削弱了它们捕获数据内的时间模式的能力。在这项研究中，我们提出了DyGraphAD，一个多变量的时间序列异常检测框架的基础上的动态系列间图的列表。其核心思想是通过利用图形的演化性质，基于序列间关系和序列内时间模式从正常状态到异常状态的偏差来检测异常，以便同时帮助图形预测任务和时间序列预测任务。我们在真实世界数据集上的数值实验表明，DyGraphAD具有优于基线异常检测方法的性能。
2023-02-04 cs.AI cs.LG
Retrieval Based Time Series Forecasting
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Meta；IBM Research（IBM研究院）
时间序列数据出现在智能交通和环境监测等各种应用中。时间序列分析的基本问题之一是时间序列预测。尽管最近的深度时间序列预测方法取得了成功，但它们需要对历史值进行充分的观察才能做出准确的预测。换句话说，输出长度（或预测范围）与输入和输出长度之和的比率应该足够低（例如，0.3）。随着比率的增加（例如，到0.8），预测精度的不确定性显著增加。在本文中，我们从理论和经验表明，可以有效地减少不确定性检索相关的时间序列作为参考。在理论分析中，我们首先量化的不确定性，并显示其连接到均方误差（MSE）。然后，我们证明了模型的参考是更容易学习比模型没有参考，因为检索的参考可以减少不确定性。为了实证证明基于检索的时间序列预测模型的有效性，我们引入了一个简单而有效的两阶段方法，称为ReTime，包括关系检索和内容合成。我们还表明，ReTime可以很容易地适应时空时间序列和时间序列插补设置。最后，我们在真实世界的数据集上评估了ReTime，以证明其有效性。
2022-09-27 cs.AI 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
Scaling Law for Time Series Forecasting
Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）；Zhili College, Tsinghua University（清华大学致理书院）；University of Copenhagen（哥本哈根大学）；University of Washington（华盛顿大学）
本文提出时间序列预测的缩放定律理论，综合考虑数据集大小、模型复杂度及未被探索的回溯范围，解释了模型能力与输入范围对性能的异常影响，并通过多数据集实证验证了该理论框架。
2024-11-09 cs.AI cs.LG
A Comprehensive Survey of Regression Based Loss Functions for Time Series Forecasting
San José State University（圣何塞州立大学）；Juniper Networks Inc（瞻博网络公司）
时间序列预测由于其在网络使用预测、资源分配、异常检测和预测性维护等方面的广泛应用而成为一个活跃的研究领域。在过去的五年中，许多出版物提出了不同的目标损失函数，以解决的情况下，如有偏数据，长期预测，多重共线性功能，在本文中，我们总结了14个著名的回归损失函数通常用于时间序列预测，并列出了他们的应用程序可以帮助更快，更好的模型收敛的情况。我们还展示了某些类别的损失函数如何在所有数据集上表现良好，并且可以在数据分布未知的情况下被视为基线目标函数。我们的代码可以在GitHub上找到：https://github.com/aryan-jadon/Regression-Loss-Functions-in-Time-Series-Forecasting-Tensorflow。
2022-11-05 cs.AI cs.LG
Are Language Models Actually Useful for Time Series Forecasting?
University of Virginia（弗吉尼亚大学）；University of Washington（华盛顿大学）
通过对三种流行 LLM 时间序列预测方法做消融，本文发现移除或替换 LLM 不降低甚至提升性能，质疑 LLM 在该任务中的实际价值。
2024-10-26 cs.AI cs.LG
FrAug: Frequency Domain Augmentation for Time Series Forecasting
The Chinese University of Hong Kong（香港中文大学）；International Digital Economy Academy（国际数字经济研究院）
数据增强（DA）已经成为为深度学习扩展训练数据大小的事实上的解决方案。随着用于时间序列分析的深度模型的激增，在文献中提出了各种时间序列DA技术，例如，基于裁剪、扭曲、翻转和混合的方法。然而，这些增强方法主要适用于时间序列分类和异常检测任务。在时间序列预测（TSF）中，我们需要对时间序列段内的细粒度时间关系进行建模，以便在回看窗口中给定数据时生成准确的预测结果。时域中现有的DA解决方案会打破这种关系，导致预测精度差。为了解决这个问题，本文提出了简单而有效的频域增强技术，以确保增强的数据标签对预测的语义一致性，命名为FrAug。我们在八个广泛使用的基准测试中进行了大量的实验，其中包括几个最先进的TSF深度模型。我们的研究结果表明，在大多数情况下，FrAug可以提高TSF模型的预测精度。此外，我们表明，FrAug使1\%的原始训练数据训练的模型，以达到类似的性能训练的完整训练数据，这是特别有吸引力的冷启动预测。最后，我们表明，使用FrAug进行测试时训练可以大大提高具有显著分布偏移的时间序列的预测精度，这在现实生活中的TSF应用中经常发生。我们的代码可在https://anonymous.4open.science/r/Fraug-more-results-1785上获得。
2023-02-18 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
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
Towards Better Long-range Time Series Forecasting using Generative Forecasting
National University of Singapore（新加坡国立大学）
长期时间序列预测通常基于两种现有预测策略之一：直接预测和迭代预测，其中前者提供低偏差，高方差预测，后者导致低方差，高偏差预测。在本文中，我们提出了一种新的预测策略，称为生成预测（GenF），它生成合成数据为未来几个时间步，然后根据生成的和观察到的数据进行长期预测。我们从理论上证明了GenF能够更好地平衡预测方差和偏差，从而导致更小的预测误差。我们通过三个组件实现GenF：（i）一种新的基于条件Wasserstein生成对抗网络（GAN）的合成时间序列数据生成器，称为CWGAN-TS。(ii)基于Transformer的预测器，使用生成的数据和观察到的数据进行长期预测。(iii)信息论聚类算法，以改善CWGAN-TS和基于Transformer的预测器的训练。在五个公共数据集上的实验结果表明，GenF的性能明显优于各种最先进的基准测试和经典方法。具体来说，我们发现预测性能（平均绝对误差）提高了5% - 11%，而与基准相比，参数减少了15% - 50%。最后，我们进行了消融研究，以进一步探索和证明组成GenF的组件的有效性。
2022-12-09 cs.AI cs.LG
AutoCTS: Automated Correlated Time Series Forecasting -- Extended Version
Aalborg University（奥尔堡大学）；University of Southern California（南加州大学）
相关时间序列（CTS）预测在许多网络物理系统中起着至关重要的作用，其中多个传感器发出捕获互连过程的时间序列。基于深度学习的解决方案可提供最先进的CTS预测性能，这些解决方案采用各种时空（ST）块，能够对时间序列之间的时间依赖性和空间相关性进行建模。然而，仍然存在两个挑战。首先，ST块是手动设计的，这是耗时且昂贵的。其次，现有的预测模型只是将相同的ST块多次叠加，这限制了模型的潜力。为了解决这些挑战，我们提出了AutoCTS，它能够自动识别具有高度竞争力的ST块以及使用不同拓扑连接的异构ST块的预测模型，而不是使用简单堆叠连接的相同ST块。具体来说，我们设计了一个微观和宏观的搜索空间来模拟可能的架构ST块和异构ST块之间的连接，我们提供了一个搜索策略，能够共同探索的搜索空间，以确定最佳的预测模型。在八个常用的CTS预测基准数据集上进行的大量实验证明了我们的设计选择是正确的，并证明了AutoCTS能够自动发现优于最先进的人类设计模型的预测模型。这是“AutoCTS：自动相关时间序列预测”的扩展版本，将出现在PVLDB 2022中。
2021-12-21 cs.AI cs.LG
Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer
本文提出Bi-LSTM嵌入去噪自编码器模型BDM用于短期电动汽车充电负荷预测，在五个时间步中的四个上优于Transformer、CNN、RNN、LSTM和GRU等基准模型，提升了时间序列预测与决策能力。
2025-09-21 cs.AI 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
Context information can be more important than reasoning for time series forecasting with a large language model
Penn State Abington（宾州州立大学阿宾顿分校）
本文探索LLMs在时间序列预测中的特性，发现无普适提示方法，仅提供适当上下文信息即可达到与最佳推理提示相当的性能，还指出了LLMs在提示遵循、代数计算及语义理解上的三个弱点。
2025-02-08 cs.AI cs.LG
Time-Prompt: Integrated Heterogeneous Prompts for Unlocking LLMs in Time Series Forecasting
Central South University, Changsha, China（中南大学，长沙，中国）
本文提出Time-Prompt框架，通过构建统一的提示范式、设计语义空间嵌入和跨模态对齐模块以及高效微调LLM参数，提升时间序列预测性能，并在碳排放数据集上验证其有效性。
2026-05-20 cs.AI cs.LG
TSI: A Multi-View Representation Learning Approach for Time Series Forecasting
University of South Australia（南澳大学）；CSIRO（联邦科学与工业研究组织）
本文提出 TSI 多视图时间序列预测方法，融合趋势季节性表示与 ICA 表示，在多个基准数据集上超越现有最优模型，尤其提升了多变量预测精度。
2024-09-30 cs.AI cs.LG
Unified Training of Universal Time Series Forecasting Transformers
Salesforce AI Research（Salesforce AI研究院）；School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
本文提出Moirai，一种基于掩码编码器的通用时间序列预测Transformer，通过跨频率学习等改进，在大规模数据集LOTSA上训练，实现零样本预测性能媲美全样本模型。
2024-05-22 cs.AI cs.LG
PatchDecomp: Interpretable Patch-Based Time Series Forecasting
PatchDecomp是一种基于片段的时间序列预测方法，通过可解释的片段贡献实现高准确性和可解释性。
2026-03-04 cs.AI cs.LG
TSKANMixer: Kolmogorov-Arnold Networks with MLP-Mixer Model for Time Series Forecasting
Amazon（亚马逊）
本文提出TSKANMixer，将KAN层融入TSMixer，在多个数据集上提升时间序列预测精度，表明KANs可替代或扩展传统MLPs。
2025-03-27 cs.AI cs.LG
RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data
Visa Research（Visa研究中心）
本文提出全 MLP 架构 RPMixer，通过随机投影层增强残差模块输出多样性，使不依赖空间关系的通用时间序列模型在大型时空预测基准上超过图模型与通用预测方法。
2024-06-12 cs.AI cs.LG
Challenges and approaches to time-series forecasting in data center telemetry: A Survey
Juniper Networks Inc（瞻博网络公司）
时间序列预测一直是一个重要的研究领域。它的应用包括心电图预测，销售预测，天气状况，甚至COVID-19传播预测。这些应用促使许多研究人员找出一个最佳的预测方法，但建模方法也随着应用领域的变化而变化。这项工作的重点是审查在数据中心收集的遥测数据预测的不同预测方法。遥测数据的预测是网络和数据中心管理产品的关键功能。然而，预测方法有多种选择，从简单的线性统计模型到高容量的深度学习架构。在本文中，我们试图总结和评价的性能，众所周知的时间序列预测技术。我们希望这次评估提供了一个全面的总结，创新的遥测数据的预测方法。
2021-02-11 cs.AI cs.LG cs.NI
A decoder-only foundation model for time-series forecasting
Google Research（谷歌研究院）
受NLP大模型启发，提出一种仅解码器的时间序列基础模型，通过在大规模语料上预训练补丁解码器注意力模型，实现零样本预测性能接近各数据集上的监督模型，且适应多种预测长度与粒度。
2024-04-17 cs.AI cs.CL cs.LG
The DeepCAR Method: Forecasting Time-Series Data That Have Change Points
Ruhr-University Bochum（波鸿鲁尔大学）
时间序列预测的许多方法在经典统计学中是已知的，例如自回归，移动平均和指数平滑。DeepAR框架是一种基于深度学习的新型时间序列预测方法。DeepAR已经显示出非常有希望的结果。然而，时间序列通常有变化点，这会大大降低DeepAR的预测性能。本文通过检测和包含这些变化点来扩展DeepAR框架。我们表明，当没有变化点时，我们的方法的性能与标准DeepAR一样好，当有变化点时，性能要好得多。更一般地说，我们表明批量大小提供了一种有效且令人惊讶的简单方法来处理DeepAR，Transformers和其他现代预测模型中的变化点。
2023-02-22 cs.AI cs.LG stat.ME
Cross-Frequency Time Series Meta-Forecasting
Stanford University（斯坦福大学）；AWS AI Labs（AWS人工智能实验室）
元预测是元学习与时间序列预测相结合的一个新兴领域。元预测的目标是对源时间序列的集合进行训练，并一次一个地推广到新的时间序列。以前的元预测方法实现了竞争性的性能，但限制了为每个采样频率训练单独的模型。在这项工作中，我们研究了不同采样频率下的元预测，并引入了一个新的模型，连续频率适配器（CFA），专门用于学习频率不变表示。我们发现CFA在推广到不可见频率时大大提高了性能，为在更大的多频率数据集上进行预测迈出了第一步。
2023-02-04 cs.LG
Meta-Forecasting by combining Global Deep Representations with Local Adaptation
IIT（意大利理工学院）；UCL（伦敦大学学院）；Amazon Web Services（亚马逊云服务）
虽然经典的时间序列预测孤立地考虑单个时间序列，但基于深度学习的最新进展表明，从大量相关时间序列中联合学习可以提高预测准确性。然而，当对样本外时间序列建模时，这些方法的准确性会受到很大影响，与经典预测方法相比，显着限制了它们的适用性。为了弥合这一差距，我们采用元学习的时间序列预测问题的观点。我们引入了一种新的预测方法，称为Meta全局-局部自回归（Meta-GLAR），它通过学习从递归神经网络（RNN）产生的表示到一步预测的封闭形式的映射来适应每个时间序列。至关重要的是，RNN的参数是通过封闭形式的自适应机制通过反向传播在多个时间序列中学习的。在我们广泛的实证评估中，我们表明，我们的方法是有竞争力的国家的最先进的样本预测精度在早期的工作。
2021-11-12 cs.AI cs.LG stat.ML
Optimizing Time Series Forecasting Architectures: A Hierarchical Neural Architecture Search Approach
Institute of Artificial Intelligence（人工智能研究所）；Leibniz University Hannover（汉诺威莱布尼茨大学）；L3S Research Center（L3S研究中心）
本文提出一种层次化神经架构搜索方法，通过设计层次化搜索空间高效组合多种预测模块，在长期时间序列预测任务上搜索出轻量级高性能架构。
2025-10-23 cs.LG
Boosted Embeddings for Time Series Forecasting
PALO ALTO NETWORKS（帕洛阿尔托网络公司）；ADVANCED APPLIED AI RESEARCH（高级应用人工智能研究院）
时间序列预测是各种数据驱动应用中出现的一项基本任务。许多先进的自回归方法，如ARIMA被用来建立预测模型。最近，基于深度学习的方法，如DeepAr，NeuralProphet，Seq2Seq已经被探索用于时间序列预测问题。本文提出了一种新的时间序列预测模型DeepGB。我们制定并实现了梯度提升的变体，其中弱学习者是DNN，其权重在迭代中以贪婪的方式递增。特别是，我们开发了一种新的嵌入架构，使用梯度提升变体提高了许多深度学习模型在时间序列上的性能。我们证明，我们的模型优于现有的可比国家的最先进的模型，使用真实世界的传感器数据和公共数据集。
2021-07-11 cs.AI 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
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
Forecasting Method for Grouped Time Series with the Use of k-Means Algorithm
Ryazan State Radio Engineering University（梁赞国立无线电工程学院）；Moscow Technological Institute（莫斯科技术学院）；National Research University Higher School of Economics (HSE)（俄罗斯国家研究型高等经济大学）
研究了利用聚类分析算法对时间序列群进行预测的方法。提出了$K$ -均值算法作为聚类的基本算法。聚类中心的坐标与聚类的质心对应。时间序列的描述，聚类的质心，实现与预测模型的使用。它们是基于严格的二叉树和一个修改的克隆选择算法。借助于这种预测模型，形成分析相关性的可能性。建议对聚类中的私有（个体）时间序列，采用聚类质心时间序列的公共预测模型进行预测。所提出的分组时间序列预测方法的应用前景被证明。
2015-09-15 cs.LG
Deep Learning for Energy Time-Series Analysis and Forecasting
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
本文探讨了旨在提升能源时间序列预测任务性能的各种深度学习方法，重点关注希腊能源市场，并为读者提供实践应用所需知识。
2023-06-29 cs.LG
Signals, Concepts, and Laws: Toward Universal, Explainable Time-Series Forecasting
The University of Sydney（悉尼大学）
DORIC通过五个自监督概念和物理约束实现通用、可解释的时间序列预测
2025-12-01 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
Drift-Adjusted And Arbitrated Ensemble Framework For Time Series Forecasting
WalmartLabs（沃尔玛实验室）
时间序列预测是许多实际应用的核心，如商业销售预测，农业降雨预测等。虽然这个问题已经被广泛研究多年，它仍然被认为是一个具有挑战性的问题，由于时间序列数据的复杂性和不断变化的性质。提出的时间序列预测的典型方法建模数据观测之间的线性或非线性相关性。然而，人们普遍认为，没有一种方法对所有类型的时间序列数据都是普遍有效的。人们已经尝试使用异构和独立的预测模型的动态和加权组合，它已被发现是一个很有前途的方向来解决这个问题。该方法基于不同的预测器对不同分布的数据具有不同的专业化和不同的性能的假设，并且相应地将权重动态地分配给多个预测器。然而，在许多实际的时间序列数据集中，数据的分布是随时间缓慢演化的。我们建议采用一种基于重新加权的方法来调整分配给各种预测的权重，以考虑这种分布漂移。对真实世界和合成时间序列进行了详尽的测试。实验结果表明，该方法的竞争力相比，国家的最先进的方法相结合的预测和处理漂移。
2020-03-16 cs.AI cs.LG stat.ML
Deep learning for precipitation nowcasting: A survey from the perspective of time series forecasting
Korea Institute of Atmospheric Prediction Systems（韩国大气预测系统研究院）；National Meteorological Satellite Center（国家气象卫星中心）；Korea University（高丽大学）
本文从时间序列预测视角系统综述深度学习降水临近预报，梳理预处理、目标函数、评估指标及递归与多步预测策略，并在公开基准上评估模型、指出挑战与未来方向。
2024-06-14 cs.AI cs.CV cs.LG
Can time series forecasting be automated? A benchmark and analysis
Technical University of Eindhoven（埃因霍温理工大学）
针对时间序列预测方法选择困难的问题，提出综合基准评估AutoGluon-Timeseries和sktime框架，揭示其适用性并促进最优预测方法选择。
2024-07-25 cs.LG
Long-term series forecasting with Query Selector -- efficient model of sparse attention
MORAI；Nicholas Copernicus University（尼古拉斯·哥白尼大学）
近年来，各种变形的变压Transformer被用来解决时间序列预测问题。我们提出了一个有效的，确定性算法稀疏注意矩阵的查询树。在ETT、Helpdesk和BPI'12数据集上的实验结果表明，该方法取得了较好的效果。
2021-08-17 cs.LG
Boosted Ensemble Learning based on Randomized NNs for Time Series Forecasting
Częstochowa University of Technology（琴斯托霍瓦工业大学）；Facebook（脸书）
时间序列预测是一个具有挑战性的问题，特别是当一个时间序列表示多个季节性，非线性趋势和变化的方差。在这项工作中，预测复杂的时间序列，我们提出了集成学习，这是基于随机神经网络，并提高了三种方式。这些包括基于残差、校正目标和相对响应的集成学习。后两种方法用于确保所有集合成员解决类似的预报任务，这证明在集合的所有阶段使用完全相同的基础模型是合理的。统一所有成员的任务简化了集成学习，并提高了预测精度。这一点在一项涉及预测具有三重季节性的时间序列的实验研究中得到了证实，在该研究中，我们比较了我们的三种集成增强变体。基于RandNN的建议集成的优点是非常快速的训练和基于模式的时间序列表示，从时间序列中提取相关信息。
2022-03-02 cs.LG
Forecasting of Non-Stationary Sales Time Series Using Deep Learning
Ivan Franko National University of Lviv（利沃夫伊万·弗兰科国立大学）
本文描述了在神经网络模型中使用时间趋势校正来预测非平稳时间序列的深度学习方法。连同用于预测销售值的层，神经网络模型包括用于时间趋势项的预测权重的子网络块，该预测权重被添加到预测销售值。时间趋势项被认为是预测权重值和归一化时间值的乘积。结果表明，在深度学习模型中使用趋势校正块，可以从根本上提高具有时间趋势的非平稳销售的预测精度。
2022-05-23 cs.AI cs.LG cs.NE
DB2-TransF: All You Need Is Learnable Daubechies Wavelets for Time Series Forecasting
organization= Department of Computer Science \& Engineering \& Communication \& Engineering , addressline= G B Pant , city= New Delhi , postcode= 580007 , state= Delhi , country= India；organization= Department of Computer Science \& Engineering , addressline= Indian Institute of Technology , city= Dharwad , postcode= 580007 , state= Karnataka , country= India
DB2-TransF通过可学习的Daubechies小波替代自注意力机制，提升时间序列预测的效率与准确性。
2025-12-10 cs.AI cs.LG eess.SP
Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting
University Of Hildesheim（希尔德斯海姆大学）；VWFS Data Analytics Research Center（大众汽车金融服务数据分析研究中心）
本研究探究上下文长度、验证策略等时间序列相关超参数对最优MLP预测性能的影响，构建了含97200次评估的最大时间序列预测元数据集TSBench，并验证其在多保真度超参数优化中的效用。
2024-03-07 cs.LG
Forecasting large collections of time series: feature-based methods
University of Science & Technology Beijing（北京科技大学）；Central University of Finance and Economics（中央财经大学）；Beihang University（北京航空航天大学）
本章综述面向大规模时间序列集合预测的两类基于特征的方法——模型选择与模型组合，并结合开源实现介绍相关最新进展。
2023-09-25 cs.LG
Forecasting Weakly Correlated Time Series in Tasks of Electronic Commerce
Kharkiv National University of Radioelectronics（哈尔科夫国立无线电电子大学）
本文以某电子商店的转化率序列为例，利用指数平滑、神经网络和决策树等方法对转化率的弱相关时间序列进行预测。每种方法的优点和缺点被认为是。
2019-04-16 cs.LG
A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition
Université Libre de Bruxelles（布鲁塞尔自由大学）；Cairo University（开罗大学）
多步预测仍然是时间序列预测中的一个公开挑战。处理这个复杂问题的几种方法已经在文献中提出，但大量的任务上的广泛比较仍然缺失。本文旨在通过回顾现有的多步预测策略，并在理论和实践方面进行比较，以填补这一空白。为了实现这样的目标，我们使用大型实验基准（即NN5预测竞赛的111系列）对这些不同的策略进行了大规模比较。此外，我们考虑了去季节化，输入变量的选择和预测组合对这些策略和多步提前预测的影响。以下三个发现似乎是一致的实验结果支持：多输出策略是最好的表现方法，去季节化导致统一提高预测精度，输入选择是更有效的，当与去季节化一起执行。
2011-08-16 cs.AI cs.LG stat.AP
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
Monash Time Series Forecasting Archive
Monash University（莫纳什大学）；University of Sydney（悉尼大学）
当今许多企业和行业都依赖于大量的时间序列数据，这使得时间序列预测成为一个重要的研究领域。与传统的孤立序列单变量预测模型相比，跨时间序列集训练的全球预测模型在提供准确预测方面显示出巨大的潜力。然而，目前还没有全面的时间序列预测档案，其中包含来自类似来源的时间序列数据集，可供研究界评估新的全球预测算法在各种数据集上的性能。在本文中，我们提出了这样一个全面的时间序列预测档案，包含20个公开的时间序列数据集，从不同的领域，具有不同的特点，在频率，序列长度，并包括缺失值。我们还对数据集进行了特征分析，并确定了它们之间的相似性和差异性。此外，我们提出了一套标准的基线预测方法的性能在所有数据集的八个误差指标，为研究人员使用档案基准他们的预测算法的好处。
2021-05-14 cs.LG stat.ML
Recurrent Neural Networks for Time Series Forecasting
University of Debrecen（德布勒森大学）
时间序列预测是困难的。即使对于具有固有学习序列性能力的循环神经网络来说，这也是困难的。本文提出了一个基于递归神经网络的时间序列预测框架，涵盖特征工程，特征重要性，点和区间预测，预测评估。该方法的描述之后是使用LSTM和GRU网络的实证研究。
2019-01-01 cs.LG stat.ML
