Urban Water Consumption Forecasting Using Deep Learning and Correlated District Metered Areas
KIOS Research and Innovation Center of Excellence（KIOS研究与创新中心）；Department of Electrical and Computer Engineering（电气与计算机工程系）；University of Cyprus（塞浦路斯大学）
针对城市分区计量区域用水量短期预测中局部数据不足与传感器故障问题，提出一种识别相关DMA用水模式并结合本地数据输入深度学习模型的方法，实验证明其优于统计模型且能提升预测精度。
2024-12-30 cs.CY cs.LG
LightCTS: A Lightweight Framework for Correlated Time Series Forecasting
Aalborg University（奥尔堡大学）；Zhejiang University（浙江大学）；Roskilde University（罗斯基勒大学）
相关时间序列（CTS）预测在流量管理、服务器负载控制等实际应用中发挥着重要作用。已经提出了许多深度学习模型来提高CTS预测的准确性。然而，尽管模型变得越来越复杂和计算密集，但它们很难提高准确性。追求不同的方向，这项研究的目的是实现更高效，轻量级的模型，保持准确性，同时能够部署在资源受限的设备上。为了实现这一目标，我们流行的CTS预测模型的特点，并产生两个观察，指示轻量级CTS预测的方向。在此基础上，我们提出了LightCTS框架，采用时间和空间运算符的简单堆叠，而不是计算成本高得多的交替堆叠。此外，LightCTS还具有称为L-TCN和GL-Former的轻型时间和空间运算符模块，可在不影响其特征提取功能的情况下提高计算效率。LightCTS还包含最后一次压缩方案，以减少冗余的时间特征并加快后续计算。单步和多步预测基准数据集的实验表明，LightCTS能够在大大降低计算和存储开销的情况下获得接近最先进的精度。
2023-02-27 cs.AI cs.DB cs.LG
Graph Attention Recurrent Neural Networks for Correlated Time Series Forecasting -- Full version
Aalborg University（奥尔堡大学）
我们考虑一种设置，其中多个实体随着时间的推移相互作用，并且实体的时变状态表示为多个相关的时间序列。例如，速度传感器被部署在道路网络中的不同位置，其中特定位置跨时间的速度被对应的传感器捕获为时间序列，从而导致来自不同位置的多个速度时间序列，这些速度时间序列通常是相关的。为了实现对相关时间序列的准确预测，我们提出了图注意力循环神经网络。首先，我们通过考虑空间邻近度在不同实体之间构建图，并采用多头注意力机制来为图导出自适应权重矩阵，以捕获顶点之间的相关性（例如，不同位置的速度）在不同的时间戳。其次，我们采用循环神经网络来考虑时间依赖性，同时考虑到从第一步学习的自适应权重矩阵来考虑时间序列之间的相关性。在大规模真实世界的速度时间序列数据集上的实验表明，所提出的方法是有效的，在大多数情况下优于国家的最先进的。这份手稿提供了研讨会论文的完整版本[1]。
2021-03-22 cs.LG
Joint Neural Architecture and Hyperparameter Search for Correlated Time Series Forecasting
Aalborg University（奥尔堡大学）
网络物理系统中的传感器经常捕获相互关联的过程，从而发出相关时间序列（CTS），预测这些过程可以实现重要的应用。成功的CTS预测的关键是揭示时间序列的时间动态和时间序列之间的空间相关性。基于深度学习的解决方案在识别这些方面表现出令人印象深刻的性能。特别是，自动化CTS预测，其中最佳深度学习架构的设计是自动化的，使得预测准确性超过了手动方法所达到的准确性。然而，自动化CTS解决方案仍处于起步阶段，只能为预定义的超参数找到最佳架构，并且难以扩展到大规模CTS。为了克服这些限制，我们提出了一个联合的，可扩展的框架，自动设计有效的CTS预测模型。具体来说，我们将每个候选架构和伴随的超参数编码到联合图表示中。我们引入了一个高效的架构超参数比较器（AHC）来对所有架构超参数对进行排名，然后我们进一步评估排名靠前的对以选择最终结果。在六个基准数据集上的大量实验表明，该方法不仅消除了人工劳动，而且能够比手动设计和现有的自动设计的CTS模型具有更好的性能。此外，它显示了良好的可扩展性，以大型CTS。
2023-02-27 cs.AI cs.DB cs.LG
Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting
本文提出代理时间序列预测框架，强调通过代理流程实现动态适应与持续学习，推动时间序列预测方法的革新。
2026-03-11 cs.LG
Fully Automated Correlated Time Series Forecasting in Minutes
Aalborg University（奥尔堡大学）；East China Normal University（华东师范大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
针对现有自动化时间序列预测方法搜索空间依赖人工、搜索与训练耗时的问题，提出全自动高效框架，通过数据驱动剪枝、零样本搜索和快速参数适应，在数分钟内完成预测，并达到最先进准确率。
2024-11-06 cs.LG stat.ML
ForecastCompass: Guiding Agentic Forecasting with Adaptive Factor Memory
Pennsylvania State University（宾夕法尼亚州立大学）
提出ForecastCompass框架，通过分层预测任务分类和双组件记忆（因子记忆与推理记忆），结合回顾分析迭代修正，提升智能体在动态环境中的概率预测准确性和校准性。
2026-11-06 cs.LG
From Narrative to Auditable Forecasts: A Structured Scaffold for Agentic Forecasting
The Pennsylvania State University（宾夕法尼亚州立大学）
针对智能体预测缺乏结构化与可审计性的问题，提出AuditForecast脚手架，通过基线锚定、模型引导检索和几率空间更新实现结构化概率预测，提升准确性与校准度，并生成可审计报告。
2026-09-09 cs.CL cs.LG
Self-Evolving Time-Series Forecasting Agents with Episodic Memory and Online Policy Learning
针对现有预测智能体忽视历史反馈的问题，提出FASE，结合情景记忆与在线策略学习，利用已完成实例反馈自我进化，在29个配置上MAE降低9.1%。
2026-09-29 cs.LG
MACTS-EM: Multi-Agent Collaborative Time Series Forecasting with Emergent Memory
Unitec Institute of Technology（Unitec理工学院）
针对现有时间序列预测方法在机制转换、跨域迁移和多模态集成上的不足，提出MACTS-EM多智能体协作框架，通过涌现记忆与元认知分配，在多个领域实现8-12%准确率提升及显著更强的零样本迁移和鲁棒性。
2026-10-05 cs.LG cs.MA
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
Comparative analysis and evaluation of ageing forecasting methods for semiconductor devices in online health monitoring
Mondragon University（蒙德拉贡大学）；University of Strathclyde（斯特拉斯克莱德大学）；University of the Basque Country (UPV/EHU)（巴斯克大学）；Ikerbasque（伊克尔巴斯克基金会）
本研究比较了经典跟踪、统计、神经网络及时间融合Transformer（TFT）等预测方法在MOSFET老化预测中的表现，发现短期预测中经典神经网络最优但计算量大，长期预测仅TFT有效，且其注意力点能识别老化转折点。
2025-03-26 cs.LG eess.SP
Multivariate Probabilistic Time Series Forecasting with Correlated Errors
McGill University（麦吉尔大学）
本文提出一种即插即用方法，通过低秩加对角参数化与独立潜在时间过程建模多步误差协方差，以校准预测，提升RNN和Transformer概率模型的准确性与不确定性量化。
2024-11-07 cs.LG stat.ML
Modeling Fly Social Behavior with Agent-Centric Pose Forecasting
HHMI Janelia Research Campus（霍华德·休斯医学研究所珍利亚研究园区）
研究旨在从跟踪姿态训练以智能体为中心的动物行为自回归模型，引入相关框架及通用库，模型能捕捉果蝇群体社会行为分布，库可支持系统比较并适应新领域。
2026-10-14 cs.LG
EvoCast: Reliable Autonomous Research Agents for Iterative Forecasting Architecture Evolution
School of Automation and Intelligent Science, Jiangnan University（江南大学自动化与智能科学学院）；School of Automation, Southeast University（东南大学自动化学院）
EvoCast是一种全自主研究智能体系统，通过认知-权威分离设计，实现迭代式预测架构演化，以更高实现成功率、更低成本开发出优于基线的任务特定架构。
2026-10-06 cs.AI cs.LG
CryptoPulse: Short-Term Cryptocurrency Forecasting with Dual-Prediction and Cross-Correlated Market Indicators
College of Engineering and Computer Science（工程与计算机科学学院）；Texas A&M University-Corpus Christi（德克萨斯A&M大学-科斯蒂斯）
本文提出CryptoPulse双重预测机制，融合宏观波动、技术指标与市场情绪细化预测，实现短期加密货币价格预测并优于十种对比方法。
2025-03-31 cs.LG q-fin.PR
Learning Time-aware Graph Structures for Spatially Correlated Time Series Forecasting
Southwest Jiaotong University（西南交通大学）；East China Normal University（华东师范大学）；Aalborg University（奥尔堡大学）；University of Electronic Science and Technology of China（电子科技大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对现有图方法无法建模时空数据中时变相关性的问题，提出时间感知图结构学习（TagSL）与图卷积门控循环单元（GCGRU）结合的TGCRN框架，在五个真实数据集上实现最先进预测性能。
2023-12-27 cs.AI cs.LG
CastFlow: Bridging Evidence Acquisition and Accurate Prediction in Agentic Time Series Forecasting
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学）
CastFlow通过动态代理框架实现多视角时间模式提取和多轮上下文特征获取，提升时间序列预测的准确性和适应性。
2026-10-19 cs.AI cs.LG
CastClaw: A Human-in-the-Loop Autonomous Agent for Interactive Time Series Forecasting
University of Science and Technology of China（中国科学技术大学）
提出面向工业时间序列预测的人在回路自主系统CastClaw，整合多类资源实现预测全流程，在5个电价数据集上优于16个基线，还经电力负荷数据离线验证。
2026-10-19 cs.LG
Occupancy Flow Fields for Motion Forecasting in Autonomous Driving
Waymo；Google Brain（谷歌大脑）；Korea University（高丽大学）
我们提出了Occupational Flow Fields，这是一种新的表示方法，用于多个智能体的运动预测，这是自动驾驶中的一项重要任务。我们的表示是一个时空网格，每个网格单元包含被任何代理占用的单元的概率，以及表示该单元中运动的方向和幅度的二维流矢量。我们的方法成功地缓解了运动预测的两种最常用表示法的缺点：轨迹集和占用网格。虽然占用网格有效地代表了许多代理联合的概率位置，他们不捕捉代理运动和失去代理身份。为此，我们提出了一种深度学习架构，该架构在新的流量跟踪损失的帮助下生成占用流场，该流量跟踪损失在占用和流量预测之间建立了一致性。我们证明了我们的方法使用三个指标占用预测，运动估计和代理ID恢复的有效性。此外，我们引入了预测投机代理的问题，这是目前闭塞的代理，可能会出现在未来通过解除闭塞或进入视野。我们报告了一个大型内部自动驾驶数据集和公共交互数据集的实验结果，并表明我们的模型优于最先进的模型。
2022-03-08 cs.LG cs.RO
Coherent Multi-Agent Trajectory Forecasting in Team Sports with CausalTraj
CausalTraj通过因果轨迹模型在团队体育中实现多智能体轨迹预测，提升联合预测的准确性和场景连贯性。
2025-12-14 cs.CV cs.LG
Collaborative Uncertainty in Multi-Agent Trajectory Forecasting
Shanghai Jiao Tong University（上海交通大学）；University of Southern California（南加州大学）；Beijing Institute of Technology（北京理工大学）
不确定性建模在弹道预测系统中对于解释和安全原因都是至关重要的。为了更好地预测多个代理的未来轨迹，最近的作品引入了交互模块来捕捉代理之间的交互。这种方法导致预测轨迹之间的相关性。然而，这种相关性带来的不确定性被忽略了。为了填补这一空白，我们提出了一个新的概念，协作的不确定性（CU），模型的不确定性所产生的互动模块。我们建立了一个通用的CU为基础的框架，使预测模型学习未来的轨迹和相应的不确定性。基于CU的框架作为一个插件模块集成到当前最先进的（SOTA）系统，并部署在两个特殊的情况下，基于多元高斯分布和拉普拉斯分布。在每种情况下，我们都对两个合成数据集和两个公共的大规模轨迹预测基准进行了广泛的实验。结果令人鼓舞：1）合成数据集的结果表明，基于CU的框架允许模型适当地近似地面实况分布。2)轨迹预测基准测试的结果表明，基于CU的框架稳定地帮助SOTA系统提高其性能。特别是，所提出的基于CU的框架帮助VectorNet在nuScenes数据集上的最终位移误差方面改进了57 cm。3)CU的可视化结果表明，CU的价值是高度相关的智能体之间的交互信息的量。
2021-10-26 cs.CV cs.LG
Nexus : An Agentic Framework for Context-Aware Time Series Forecasting
Google（谷歌）；Pennsylvania State University（宾夕法尼亚州立大学）
Nexus框架通过分解预测任务，整合上下文信息，提升时间序列预测的准确性与可解释性，超越传统模型和LLM的局限。
2026-10-20 cs.AI cs.CL cs.LG
When Tomorrow Becomes Today: Self-Evolving Policies for Agentic Time-Series Forecasting
Ant International（蚂蚁国际）；Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）
针对智能体时间序列预测中策略需随时间演化的问题，提出TimEvolve，通过将实现结果转化为对专家信任、路径选择和干预强度的持久联合更新，在八个领域上取得最优平均MSE和MAE排名。
2026-09-22 cs.AI cs.LG
Agentic Time Machine as an Infrastructure for Future-Event Forecasting
Shanghai Jiao Tong University（上海交通大学）
提出Agentic Time Machine（TM）基础设施，通过过滤截止后内容重建历史网络状态，并基于此设计规划-求解-聚合多智能体框架，实现高效且可靠的事件预测，在FutureX排行榜上取得最佳平均排名。
2026-06-23 cs.AI cs.LG
MotionLM: Multi-Agent Motion Forecasting as Language Modeling
Waymo（Waymo公司）
本文提出 MotionLM，将多智能体连续轨迹离散为 token 并以标准语言建模目标自回归生成联合未来分布，在 Waymo 交互式运动预测挑战中取得第一。
2023-09-28 cs.AI cs.CV cs.LG
EqDrive: Efficient Equivariant Motion Forecasting with Multi-Modality for Autonomous Driving
University of Michigan（密歇根大学）；Shanghai Jiao Tong University（上海交通大学）
针对自动驾驶车辆运动预测中传统模型容量低、误差高、训练效率差的问题，提出结合等变模型EqMotion与多模态预测机制的EqDrive方法，以更少参数和更短训练时间实现SOTA预测性能。
2025-08-02 cs.LG cs.RO
Trojan horse hunt in deep forecasting models: Insights from the European Space Agency competition
KP Labs（KP实验室）；Silesian University of Technology（西里西亚技术大学）；Warsaw University of Technology, Centre of Credible AI（华沙技术大学可信人工智能中心）；Indian Institute of Technology Patna（印度理工学院帕纳瓦分校）；European Space Agency, European Space Operations Center（欧洲航天局欧洲空间操作中心）
本文探讨深度预测模型中特洛伊马攻击的安全风险，通过欧洲航天局竞赛展示如何识别隐藏的触发器，总结关键洞察和研究方向。
2026-03-20 cs.CR cs.LG
Trajectron++: Dynamically-Feasible Trajectory Forecasting With Heterogeneous Data
Stanford University（斯坦福大学）；Ford Greenfield Labs（福特格林菲尔德实验室）
对人体运动的推理是安全和社会意识的机器人导航的重要前提。因此，多智能体行为预测已成为现代人机交互系统（如自动驾驶汽车）的核心组件。虽然存在许多用于轨迹预测的方法，但是大多数方法不强制执行动态约束并且不考虑环境信息（例如，地图）。为此，我们提出了Trajectron++，一个模块化的，图结构的递归模型，预测一般数量的不同代理的轨迹，同时结合代理动态和异构数据（例如，语义图）。Trajectron++被设计为与机器人规划和控制框架紧密集成;例如，它可以生成以自我-智能体运动计划为条件的预测。我们在几个具有挑战性的真实世界轨迹预测数据集上展示了其性能，优于各种最先进的确定性和生成方法。
2021-01-13 cs.HC cs.LG cs.RO
Physics-Informed Neural Controlled Differential Equations for Scalable Long Horizon Multi-Agent Motion Forecasting
Carnegie Mellon University（卡内基梅隆大学）；Amazon Robotics（亚马逊机器人）
针对多自主机器人长时程运动预测难题，提出以多智能体目标为条件的PINCoDE模型，结合神经控制微分方程与物理约束，可无参扩展至百台机器人，长时程预测精度显著优于解析模型。
2025-10-01 cs.AI cs.LG cs.MA
CLIMAT: Clinically-Inspired Multi-Agent Transformers for Knee Osteoarthritis Trajectory Forecasting
University of Oulu（奥卢大学）；Oulu University Hospital（奥卢大学医院）；KU Leuven（荷语鲁汶大学）；Aalto University（阿尔托大学）；Ailean Technology Oy（艾兰科技有限公司）
在医疗应用中，构建深度学习方法来自动化诊断任务。然而，医生通常面临的一个临床相关问题是如何预测疾病的未来轨迹（预后）。目前解决这类问题的方法往往需要领域知识，而且应用起来很复杂。在本文中，我们制定的预后预测问题作为一个一对多的预测问题，从多模态数据。受两个代理人-放射科医生和全科医生-的临床决策过程的启发，我们用两个基于transformer的组件来建模预后预测问题，这两个组件彼此之间共享信息。该模型中的第一个模块旨在分析成像数据，第二个模块利用第一个模块的内部表示作为输入，并将其与辅助患者数据融合。我们证明了我们的方法在预测结构性膝关节骨关节炎随时间变化的发展方面的有效性。我们的研究结果表明，所提出的方法优于国家的最先进的基线方面的各种性能指标。此外，我们的经验表明，深度为2的多代理Transformers的存在足以实现良好的性能。我们的代码可在\url{https://github.com/MIPT-Oulu/CLIMAT}上公开获取。
2021-12-06 cs.CV cs.LG
AgentCaster: Reasoning-Guided Tornado Forecasting
Department of Computing + Mathematical Sciences（计算与数学科学系）；California Institute of Technology（加州理工学院）
该研究提出无数据污染的多模态LLM龙卷风预报框架AgentCaster及专属评估指标，发现人类专家预报表现远超易幻觉、过估风险的现有SOTA模型，助力关键领域LLM智能体推理能力提升研究。
2025-10-02 cs.AI cs.CL cs.LG
Dr-CiK: A Benchmark testing Deep Research for Context-Aided Forecasting
McGill University（麦吉尔大学）；ServiceNow Research（ServiceNow研究院）；Mila -- Quebec AI Institute（蒙特利尔AI研究院）；University of British Columbia（不列颠哥伦比亚大学）
针对现有上下文辅助预测基准假设上下文已提供的问题，提出Dr-CiK基准，评估智能体从文档语料库中检索、过滤、提炼预测相关上下文并生成预测的能力，实验表明高质量上下文显著提升预测性能，但现有深度研究智能体恢复证据不足5%、易受干扰误导。
2026-10-06 cs.AI cs.LG
GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting
Waabi（Waabi公司）；University of Toronto（多伦多大学）
运动预测任务对于自动驾驶车辆（SDV）能够规划安全机动至关重要。为了实现这一目标，现代方法对地图、智能体的过去轨迹及其相互作用进行推理，以产生准确的预测。主要的方法是在每个目标代理的参考系中对地图和其他代理进行编码。然而，这种方法对于多代理预测来说在计算上是昂贵的，因为需要为每个代理运行推理。为了解决缩放挑战，到目前为止的解决方案是将所有代理和地图编码在共享坐标框架中（例如，SDV帧）。然而，这是样本低效的并且易受域移位（例如，当SDV访问不常见的国家时）。相比之下，在本文中，我们提出了一个有效的共享编码的所有代理和地图，而不牺牲准确性或泛化。为了实现这一目标，我们利用成对的相对位置编码来表示异构空间图中的代理和地图元素之间的几何关系。这种参数化允许我们对场景视点保持不变，并通过重用离线计算的地图嵌入来节省在线计算。我们的解码器也是视点不可知的，预测车道图上的代理目标，以实现多样化和上下文感知的多模式预测。我们证明了我们的方法在城市Argoverse 2基准以及一个新的高速公路数据集的有效性。
2022-11-08 cs.AI cs.CV cs.LG
Large Language Model-Empowered Interactive Load Forecasting
针对现有负荷预测模型缺乏人机交互的问题，提出基于大型语言模型的多智能体协作框架，嵌入交互机制降低使用门槛，实验证明用户提供见解可显著提升预测精度且成本可控。
2025-05-22 cs.LG
Forecasting India's Demographic Transition Under Fertility Policy Scenarios Using hybrid LSTM-PINN Model
Sant Longowal Institute of Engineering and Technology（桑特·朗戈瓦尔工程与技术学院）；School of Computer and Mathematical Sciences, The University of Adelaide（计算机与数学科学学院，阿德莱德大学）
本研究提出混合LSTM-PINN模型，用于预测印度在不同生育政策情景下的人口转型，揭示政策对人口结构及劳动力影响。
2025-11-30 cs.CY cs.LG
OLMA: One Loss for More Accurate Time Series Forecasting
Beijing University of Posts and Telecommunications（北京邮电大学）；Beijing Key Laboratory of Network System and Network Culture（北京网络系统与网络文化重点实验室）；Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院）
针对时间序列预测中标签噪声导致的误差下限和模型频率偏差问题，提出OLMA损失函数，通过DFT和DWT在频域引入监督，降低熵并缓解偏差，提升预测精度。
2025-09-25 cs.AI cs.LG
Learning Agentic Time Series Forecasting via Trajectory Distillation and Memory-Based Reinforcement Learning
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学）
Cast-R1通过工具增强的代理工作流程，学习序列决策策略以提升时间序列预测的准确性与适应性。
2026-10-19 cs.LG
Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting
University of Washington（华盛顿大学）；Beihang University（北京航空航天大学）；STAR Lab（STAR实验室）
通过准确及时的交通预测，可以提前预测受影响的交通状况，以指导机构和居民适当地应对交通模式的变化。然而，现时的交通预测工作主要依赖过往的交通模式，只限于短期预测，例如少于1小时。为了更好地管理未来的道路通行能力并适应社会和人类的影响，提出一个灵活而全面的框架来预测公共用户和交通机构的物理感知长期交通状况是至关重要的。在本文中，鲁棒的长期交通预测的差距，弥补了社会媒体的特点考虑。首先进行相关性研究和线性回归模型，以评估两个时间序列数据，流量强度和Twitter数据强度之间的相关性的意义。然后，将两个时间序列数据输入我们提出的社会感知框架中，该框架将自然语言表示集成到时间序列记录中，用于长期流量预测。在大西雅图地区的实验结果表明，我们提出的模型优于基线模型在所有的评估矩阵。这个加入NLP的社会感知框架可以成为交通机构的网络范围内的流量预测和管理的一个有价值的实现。
2022-10-30 cs.AI cs.LG
Forecasting for Swap Regret for All Downstream Agents
University of Pennsylvania（宾夕法尼亚大学）
本文提出面向任意下游智能体的事件无偏预测方法，在低维达到最优 O(sqrt(T))、高维在平滑最优响应下达到维度无关的 O(T^{2/3}) swap regret。
2024-06-15 cs.GT cs.LG
FinBench: Time-Gated Calibration and Uncertainty Benchmarking for Agentic Financial Forecasting
UT Austin（得克萨斯大学）
介绍用于金融预测的FinBench基准，它通过时间门控避免前瞻偏差，用适当评分规则评估。任务要求模型输出正回报概率和预测区间，用多种分数评估，通过小型试点运行展示校准敏感指标能区分不同预测行为。
2026-07-21 cs.LG q-fin.CP q-fin.PM
Cooperative Probabilistic Trajectory Forecasting under Occlusion
Virginia Tech（弗吉尼亚理工大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）
针对遮挡场景下通信受限和定位困难，本文提出端到端协作网络，通过共享视场智能体间的相对位姿估计预测被遮挡行人状态与轨迹，并验证其接近无遮挡真值。
2023-12-06 cs.CV cs.LG cs.RO
Anatomy of a Quantized Agent: VRAM Stability and Forecasting in Code-Synthesis Agentic Workloads
Nokia Germany（诺基亚德国）
该研究针对基于LangGraph的AgentK智能体，在1920条轨迹上评估量化LLM的VRAM消耗，提出闭式峰值内存预测模型，发现编译成功率受LLM容量限制，且无需复杂VRAM预测模型。
2026-08-18 cs.AI cs.DC cs.LG
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
Robust Trajectory Forecasting for Multiple Intelligent Agents in Dynamic Scene
Meituan-Dianping Group（美团点评集团）；Wenzhou University（温州大学）
动态场景中多个交互智能体的轨迹预测是机器人系统和自动驾驶等应用中的一个重要问题。由于智能体之间的复杂交互以及它们与周围场景的交互，该问题是一个巨大的挑战。在本文中，我们提出了一种新的方法，在动态场景中的多智能体的鲁棒轨迹预测。所提出的方法由三个主要的相互关联的部分组成：用于全局时空交互式特征提取的交互网络、用于解码动态场景的环境网络（即，智能体的周围道路拓扑），以及结合时空特征、场景特征、智能体的过去轨迹和一些随机噪声的预测网络，用于智能体的鲁棒轨迹预测。在行人-步行和车辆-行人异构数据集上的实验表明，该方法在预测精度方面优于现有的预测方法。
2020-05-27 cs.CV cs.LG cs.RO
SIMMF: Semantics-aware Interactive Multiagent Motion Forecasting for Autonomous Vehicle Driving
Purdue University（普渡大学）
针对自动驾驶中多智能体运动预测忽视语义信息且距离剪枝不充分的问题，提出SIMMF方法，结合语义与空间信息，通过语义感知选择和注意力机制提取全局编码，生成运动策略，实现更准确和场景一致的预测。
2023-10-12 cs.AI cs.CV cs.LG
AgentFormer: Agent-Aware Transformers for Socio-Temporal Multi-Agent Forecasting
Carnegie Mellon University（卡内基梅隆大学）；Penn State University（宾夕法尼亚州立大学）
预测多个智能体的准确未来轨迹对于自治系统是必不可少的，但由于复杂的智能体交互和每个智能体未来行为的不确定性而具有挑战性。预测多智能体轨迹需要对两个关键维度进行建模：（1）时间维度，我们对过去智能体状态对未来状态的影响进行建模;（2）社会维度，我们对每个智能体的状态如何影响其他智能体进行建模。大多数现有方法分别对这两个维度进行建模，例如，首先使用时间模型来独立地总结每个代理随时间的特征，然后用社会模型对所总结的特征的交互进行建模。这种方法是次优的，因为在时间或社会维度上的独立特征编码可能导致信息丢失。相反，我们更喜欢一种方法，允许一个代理的状态在一个时间直接影响另一个代理的状态在未来的时间。为此，我们提出了一个新的Transformer，AgentFormer，共同建模的时间和社会层面。该模型利用多智能体轨迹的序列表示，通过扁平化的轨迹特征跨时间和代理。由于标准的注意力操作忽略了序列中每个元素的代理身份，AgentFormer使用了一种新的代理感知注意力机制，该机制通过关注同一代理的元素而不是其他代理的元素来保留代理身份。基于AgentFormer，我们提出了一个随机的多智能体轨迹预测模型，可以参加任何代理在任何以前的时间步时，推断代理的未来位置的功能。所有代理的潜在意图也被联合建模，允许一个代理的行为的随机性影响其他代理。我们的方法大大提高了完善的行人和自动驾驶数据集的技术水平。
2021-10-07 cs.AI cs.CV cs.LG
Forecast-Dojo: Replayable Environments for Benchmarking and Training LLM Forecasting Agents
Georgia Institute of Technology（佐治亚理工学院）；Amazon（亚马逊）；University of Florida（佛罗里达大学）
Forecast-Dojo是一个可重放环境，用于基准测试和训练LLM预测智能体，包含1,568个Polymarket事件和1,880万篇新闻文章，研究工具降低所有12个模型的Brier分数，但模型仍落后于市场预测。
2026-10-27 cs.AI cs.LG
Improving age prediction: Utilizing LSTM-based dynamic forecasting for data augmentation in multivariate time series analysis
Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS): Georgia State University, Georgia Institute of Technology, Emory University（转化神经影像与数据科学三机构中心（TReNDS）：佐治亚州立大学、佐治亚理工学院、埃默里大学）
针对神经影像数据集稀缺的问题，提出基于LSTM动态预测的数据增强框架，通过单步和递归预测ICNs时间过程扩展多变量时间序列数据，提升了年龄预测模型的性能。
2023-12-11 cs.AI cs.LG
CausalAgents: A Robustness Benchmark for Motion Forecasting using Causal Relationships
Google Research（谷歌研究院）；Waymo
随着机器学习模型在自动驾驶汽车（AV）的运动预测中变得越来越普遍，确保模型预测的安全性和可靠性至关重要。然而，详尽地收集和标记必要的数据，以充分测试罕见和具有挑战性的情况下的长尾是困难和昂贵的。在这项工作中，我们构建了一个新的基准评估和提高模型的鲁棒性，通过对现有数据的扰动。具体来说，我们在Waymo Open Motion Dataset（WOMD）中进行了广泛的标记工作，以识别因果代理，或者其存在以任何形式影响人类驾驶员行为的代理，我们使用这些标签通过从场景中删除非因果代理来扰乱数据。我们根据我们提出的基准评估了一组不同的最先进的深度学习模型架构，发现所有模型即使在非因果干扰下也会表现出很大的变化：我们观察到minADE与原始模型相比有25-38%的相对变化。我们还研究了提高模型鲁棒性的技术，包括增加训练数据集大小和使用有针对性的数据增强，在整个训练过程中随机丢弃非因果代理。最后，我们发布了因果代理标签（在https：//github.com/google-research/cause-agents）作为WOMD的附加属性和鲁棒性基准，以帮助社区构建更可靠和安全的深度学习模型进行运动预测。
2022-10-07 cs.AI cs.LG cs.RO
Federated Learning for Financial Forecasting
ETH Zürich（苏黎世联邦理工学院）
本文研究联邦学习在金融市场趋势二分类中的应用，通过共享LSTM比较集中式、单智能体和隐私保护联邦协作三种场景，并引入非IID数据、个性化联邦学习和差分隐私，实验证明联邦学习在准确率和泛化上可与集中式基线媲美且显著优于单智能体模型。
2025-09-19 cs.LG stat.AP
MVG-CRPS: A Robust Loss Function for Multivariate Probabilistic Forecasting
McGill University（麦吉尔大学）
针对多元高斯分布预测中对数分数对异常值敏感的问题，提出一种具有闭式表达式的鲁棒损失函数MVG-CRPS，有效提升了预测的鲁棒性、准确性和不确定性量化能力。
2025-01-31 cs.LG stat.ML
Forecasting Mortality in the Middle-Aged and Older Population of England: A 1D-CNN Approach
本研究针对纵向表格数据场景，利用ELSA调查数据，采用1D-CNN结合多维度特征预测英格兰中老年人群死亡率，通过样本采样优化和激活函数对比，验证了swish函数的性能优势。
2024-11-01 cs.LG stat.AP stat.ML
RAIN: Reinforced Hybrid Attention Inference Network for Motion Forecasting
Honda Research Institute USA（美国本田研究院）；University of California, Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）
运动预测在各种领域（例如，自动驾驶、人机交互），其目的是在给定一组历史观察的情况下预测未来的运动序列。然而，观察到的要素可能具有不同的重要性水平。在某些情况下，一些信息可能与预测无关，甚至会分散预测的注意力。为了解决这个问题，我们提出了一个通用的运动预测框架（命名为RAIN）与动态的关键信息选择和排名的基础上的混合注意力机制。一般框架实例化处理多智能体轨迹预测和人体运动预测任务，分别。在前一个任务中，模型学习用图形表示来识别代理之间的关系，并确定它们的相对重要性。在后一项任务中，模型学习捕获长期人类运动中的时间接近性和依赖性。我们还提出了一种有效的双阶段训练管道，并采用交替训练策略来优化框架不同模块中的参数。我们在不同领域的合成模拟和运动预测基准上验证了该框架，证明了我们的方法不仅实现了最先进的预测性能，而且提供了可解释的和合理的混合注意力权重。
2021-08-03 cs.AI cs.CV cs.LG
