Adaptive Prediction Ensemble: Improving Out-of-Distribution Generalization of Motion Forecasting
University of California, Berkeley（加利福尼亚大学伯克利分校）；University of California, Riverside（加利福尼亚大学河滨分校）；Honda Research Institute（本田研究所）
针对深度学习轨迹预测模型在分布外场景泛化差的问题，提出集成深度学习与规则专家的APE框架，通过学习型路由函数动态选择预测结果，显著提升了零样本泛化与长期预测能力。
2024-12-20 cs.AI cs.CV cs.LG
Resilient Load Forecasting under Climate Change: Adaptive Conditional Neural Processes for Few-Shot Extreme Load Forecasting
本文提出AdaCNP模型，通过自适应条件神经过程实现少样本极端负荷预测，提升电力系统在极端天气下的预测鲁棒性。
2026-02-04 cs.LG cs.SY eess.SY
Self-Adaptive Forecasting for Improved Deep Learning on Non-Stationary Time-Series
Google Cloud AI（谷歌云人工智能）
真实世界的时间序列数据集经常违反标准监督学习预测的假设-它们的分布随着时间的推移而演变，使得传统的训练和模型选择过程次优。在本文中，我们提出了一种新的方法，自适应预测（SAF），修改训练的时间序列预测模型，以提高其性能的预测任务与这种非平稳的时间序列数据。SAF在基于“回溯”的预测之前集成了一个自适应阶段，即在时间上向后预测掩蔽的输入。这是一种测试时训练的形式，在执行预测任务之前在测试样本上创建自监督学习问题。通过这种方式，我们的方法使编码表示能够有效地适应不断变化的分布，从而获得更好的泛化能力。SAF可以与任何基于规范编码器-解码器的时间序列架构集成，例如递归神经网络或基于注意力的架构。在时间序列数据众所周知是非平稳的领域（如医疗保健和金融）的合成和真实数据集上，我们证明了SAF在提高预测准确性方面的显著优势。
2022-09-26 cs.AI cs.LG
AdaCast: Conditional Parameter Generation for Adaptive Time Series Forecasting
Auburn University（奥本大学）
针对现有时间序列预测适配方法无法适配输入时间序列动态的局限，提出AdaCast框架，通过生成器生成特定输入的低秩参数更新，在6个基准测试中优于静态基线并提升零样本泛化能力。
2026-10-09 cs.AI cs.LG
ARROW: An Adaptive Rollout and Routing Method for Global Weather Forecasting
East China Normal University（华东师范大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出ARROW方法，通过多区间预测模型和强化学习调度器，解决全球天气预报中空间多尺度依赖和rollout策略平衡问题，实现最先进的预测性能。
2026-03-31 cs.AI cs.LG
Adaptive tumor growth forecasting via neural & universal ODEs
Boston University（波士顿大学）；Vizuara AI Labs（Vizuara人工智能实验室）
本文提出基于神经与通用微分方程的自适应肿瘤生长预测方法，通过学习实验数据提升预测精度，以指导更有效的治疗策略。
2025-11-27 cs.AI cs.LG
Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting
Yale University（耶鲁大学）
基于图的交通流预测在交通系统、计算机网络等领域有着广泛的应用。由于复杂的时空相关性和非线性的交通模式，交通预测具有很大的挑战性。现有的工作大多是通过考虑空间相关性和时间相关性分别建模这种时空依赖性，而不能建模的直接时空相关性。受最近在图域中成功的Transformers的启发，在本文中，我们提出了直接使用本地多头自注意力的时空图上的跨时空相关性建模。为了降低时间复杂度，我们将注意力感受野设置为空间相邻的节点，并且我们还引入了自适应图来捕获隐藏的时空依赖性。基于这些注意力机制，我们提出了一种新的自适应图时空Transformer网络（ASTTN），它堆叠多个时空注意力层，以应用自注意力的输入图，其次是线性层的预测。在公共交通网络数据集METR-LA PEMS-BAY、PeMSD 4和PeMSD 7上的实验结果表明了该模型的优越性能。
2022-07-09 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
Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional Network for Traffic Forecasting
China Mobile Research Institute（中国移动研究院）；Beijing University of Posts and Telecommunications（北京邮电大学）
移动网络流量预测是移动网络日常运营中的重要功能之一。商用移动网络是一个庞大、异构、复杂和动态的网络。这些内在特征使得移动网络流量预测远未解决，即使使用最近的先进算法，例如基于图卷积网络的预测方法和各种注意力机制，这些算法在车辆流量预测中已被证明是成功的。在本文中，我们投的问题作为一个时空序列预测任务。我们提出了一种新的深度学习网络架构，自适应多感受野时空图卷积网络（AMF-STGCN），以模拟移动基站的流量动态。AMF-STGCN通过以下方式扩展了GCN：（1）联合建模移动网络中复杂的时空依赖性，（2）应用注意力机制来捕获异构基站的各种接收场，以及（3）引入基于完全连接的深度网络的额外解码器，以克服多步预测的错误传播挑战。在来自两个不同领域的四个真实数据集上的实验一致表明AMF-STGCN优于最先进的方法。
2021-11-01 cs.AI cs.LG
Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting
School of Computer Science, Xiangtan University, Xiangtan, 411105, China（计算机学院，湘潭大学，湘潭，411105，中国）
提出一种结合图神经网络与自监督预训练的自适应时空图框架，通过时空自适应机制提升多变量、多时间跨度天气预报的准确性与泛化能力。
2025-10-28 cs.AI cs.LG
Breaking Silos: Adaptive Model Fusion Unlocks Better Time Series Forecasting
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；IBM Research（IBM研究院）；Stony Brook University（纽约州立大学石溪分校）
针对单一模型无法在所有样本上最优的问题，提出TimeFuse框架，通过元特征和可学习融合器实现样本级自适应融合异构模型，在长短期预测任务中普遍超越最先进单一模型。
2025-05-24 cs.AI cs.LG
StretchTime: Adaptive Time Series Forecasting via Symplectic Attention
Georgia Institute of Technology, Atlanta, GA, USA（佐治亚理工学院）
StretchTime通过辛注意力机制实现自适应时间序列预测，解决了时间扭曲问题，提升了非平稳动态数据的鲁棒性。
2026-11-03 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
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting
Stanford University（斯坦福大学）；University of Cologne（科隆大学）；Shanghai AI Lab（上海人工智能实验室）
针对现有基于GCN的交通预测方法忽略城市空间层级的问题，提出AHSTN模型，通过自适应时空上下采样模块实现节点与簇级多尺度时空建模，在两个真实数据集上性能优于强基线。
2023-06-15 cs.AI cs.LG
OceanLight: Efficient Global Ocean Forecasting via Geometry-Adaptive Unstructured Mesh Representation
College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机学院）
OceanLight框架结合几何自适应非结构化网格分词与GNN主干，在提升海洋预报精度的同时降低计算成本，为可扩展数据驱动海洋学建立了可推广范式。
2026-08-18 cs.AI cs.LG
TimeMosaic: Temporal Heterogeneity Guided Time Series Forecasting via Adaptive Granularity Patch and Segment-wise Decoding
TimeMosaic通过自适应粒度补丁和分段解码，解决时间序列预测中的时间异质性问题，提升预测精度与效率。
2026-01-05 cs.AI cs.LG
BEAT: Balanced Frequency Adaptive Tuning for Long-Term Time-Series Forecasting
针对频域时间序列预测中高频过拟合与低频欠拟合的问题，提出BEAT框架，通过动态监控各频率训练状态并自适应调整梯度更新，在七个真实数据集上超越现有方法。
2026-10-09 cs.AI cs.LG
FEATHer: Fourier-Efficient Adaptive Temporal Hierarchy Forecaster for Time-Series Forecasting
Changwon National University（昌原国立大学）
FEATHer 通过轻量级多尺度分解、共享密集时间内核和频率感知分支门控等方法，在受限边缘设备上实现了准确的长期时间序列预测。
2026-01-16 cs.AI cs.LG
Ensemble Modeling for Time Series Forecasting: an Adaptive Robust Optimization Approach
Massachusetts Institute of Technology（麻省理工学院）；Sloan School of Management（斯隆管理学院）；Operations Research Center（运筹学中心）
本文提出基于自适应鲁棒优化（ARO）的时间序列预测集成方法，通过动态调整模型权重构建线性回归集成，在多个实际应用中显著降低均方根误差和条件风险价值，优于现有集成技术。
2023-04-09 cs.AI cs.LG math.OC
ASGMamba: Adaptive Spectral Gating Mamba for Multivariate Time Series Forecasting
ASGMamba通过自适应频谱门控机制和分层多尺度架构，实现多变量时间序列预测的高精度与低资源消耗。
2026-02-02 cs.AI cs.LG
Adaptive Reservoir Computing for Multi-Scenario Chaotic System Forecasting
Politecnico di Torino（托里尼理工大学）
提出一种自适应储层计算框架，通过四种定制策略（精确状态同步、直方图引导候选选择、多种子搜索、顺序多序列训练）在CTF-4-Science Lorenz基准的12个任务中取得74.91分，证明其高效竞争力。
2026-05-27 cs.AI cs.LG
M$^2$FMoE: Multi-Resolution Multi-View Frequency Mixture-of-Experts for Extreme-Adaptive Time Series Forecasting
M$^2$FMoE通过多分辨率多视角频率混合专家模型，有效捕捉时间序列中的常规和极端模式，提升极端事件适应性预测性能。
2026-01-13 cs.AI cs.LG
TimeGMM: Single-Pass Probabilistic Forecasting via Adaptive Gaussian Mixture Models with Reversible Normalization
University of Science and Technology of China（中国科学技术大学）
TimeGMM通过自适应高斯混合模型与可逆归一化实现单次传递概率预测，有效提升预测精度和分布匹配度。
2026-01-18 cs.AI cs.LG
Adaptive Ensemble Learning with Gaussian Copula for Load Forecasting
Southwest University（西南大学）；State Grid Energy Research Institute Co., Ltd.（国网能源研究院有限公司）
针对数据稀疏影响负荷预测准确性的问题，提出含数据补全、ML构建和自适应集成三模块的高斯Copula自适应集成学习模型，实验证明其鲁棒性。
2025-08-25 cs.LG
FAF: A Feature-Adaptive Framework for Few-Shot Time Series Forecasting
The School of Computer and Artificial Intelligence of Zhengzhou University（郑州大学计算机与人工智能学院）；Engineering Research Center of Intelligent Swarm Systems, Ministry of Education（智能群体系统工程研究中心）；National Supercomputing Center In Zhengzhou（郑州国家超级计算中心）；New quality Software Engineering Research Center（高质量软件工程研究中心）
提出特征自适应框架FAF，结合元学习泛化知识与任务特定模块动态选择，解决少样本时间序列预测，在多个数据集上超越基线，最高提升41.81%。
2025-06-24 cs.AI cs.LG
Frequency Adaptive Normalization For Non-stationary Time Series Forecasting
Central South University（中南大学）；University of Amsterdam（阿姆斯特丹大学）；Zhejiang Lab（之江实验室）
本文提出频率自适应归一化（FAN），通过傅里叶变换识别实例级主要频率成分并建模输入输出频率差异，以同时处理非平稳时间序列中的动态趋势和季节性模式，在多个模型和数据集上显著提升预测精度。
2024-09-30 cs.AI cs.LG
TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting
School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院）；School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科钦医学院）；School of Computer Science, Wuhan University（武汉大学计算机学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
本文提出TimeAPN框架，通过时间与频率域联合建模和预测非平稳因素，结合自适应归一化机制提升长周期时间序列预测精度。
2026-03-18 cs.AI cs.LG
StaTS: Spectral Trajectory Schedule Learning for Adaptive Time Series Forecasting with Frequency Guided Denoiser
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）
StaTS通过交替更新学习噪声调度和去噪器，提升时间序列预测的结构保持和异质恢复能力。
2026-02-08 cs.AI cs.LG
GMP-AR: Granularity Message Passing and Adaptive Reconciliation for Temporal Hierarchy Forecasting
Ant Group（蚂蚁集团）；TTIC（丰田技术学院芝加哥分校）
针对时间层次预测中单独求解不同粒度预测缺乏一致性且精度提升不足的问题，提出GMP-AR框架，通过粒度消息传递提升精度、自适应协调保证一致性，还支持任务约束优化，性能优于现有方法且已落地支付宝支付流量管理。
2024-06-18 cs.AI cs.LG
Weather-Adaptive Multi-Step Forecasting of State of Polarization Changes in Aerial Fibers Using Wavelet Neural Networks
Nokia Bell Labs（诺基亚贝尔实验室）；Nokia（诺基亚）
本文提出一种天气自适应方法，结合离散小波变换与天气数据，对架空光纤中的多尺度偏振态变化进行多步预测，在RMSE和MAPE上分别比基线提升65%和63%。
2024-09-05 cs.LG cs.NI
PFformer: A Position-Free Transformer Variant for Extreme-Adaptive Multivariate Time Series Forecasting
Santa Clara University（圣克拉拉大学）
PFformer是一种无位置Transformer变体，通过EFE和AEE嵌入策略捕捉变量间依赖，在极端自适应多元时间序列预测中较先进模型提升20%-60%。
2025-02-27 cs.AI cs.LG
Explainable Adaptive Tree-based Model Selection for Time Series Forecasting
Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习和人工智能研究所）；TU Dortmund University（多特蒙德工业大学）
针对在线时间序列预测中树模型易过拟合的问题，提出基于 TreeSHAP 的自适应模型选择框架，通过漂移检测在线选择模型并提供多层级可解释性，在真实数据集上表现优异。
2024-01-02 cs.AI cs.LG
Individualized and Interpretable Sleep Forecasting via a Two-Stage Adaptive Spatial-Temporal Model
Engineering and Technology Institute Groningen, University of Groningen（格罗宁根大学工程与技术学院）
本文提出一种两阶段自适应空间-时间模型，用于个体化且可解释的睡眠质量预测，通过多分辨率时间模式提取和自适应机制，实现优于基线方法的预测性能。
2026-02-19 cs.AI cs.LG
Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting
Santa Clara University（圣克拉拉大学）；Santa Clara Valley Water District（圣克拉拉谷水区）
针对水文长期径流量预测中长程依赖捕捉与极端值建模的双重挑战，提出融合极坐标表示学习的DAN模型，通过多损失机制、高斯混合建模等方法提升极端事件鲁棒性，在四个真实数据集上性能优于现有方法。
2023-12-16 cs.AI cs.LG
Multivariate Time Series Forecasting with Adaptive Non-Local Observables
National Taiwan University（台湾大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）；Wells Fargo（富国银行）
研究多元时间序列预测问题，提出MTSF-ANO混合模型，将变分量子电路与自适应非局部可观测量集成。该模型在ETT数据集上表现优异，MSE排名靠前，消融实验揭示相关因素对性能的影响，为量子时间序列预测提供了有前途的方向。
2026-07-28 cs.AI cs.LG quant-ph
ATLO-ML: Adaptive Time-Length Optimizer for Machine Learning -- Insights from Air Quality Forecasting
Fujitsu Research of America Inc.（富士通美国研究院）
ATLO-ML提出自适应优化输入时间长度与采样率的方法，基于空气质量数据验证，显著提升机器学习预测精度。
2025-10-07 cs.AI cs.LG
STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting
Southern University of Science and Technology（南方科技大学）；The University of Tokyo（东京大学）；University of Technology Sydney（悉尼科技大学）
针对交通预测中捕捉复杂时空模式的难题，本研究提出时空自适应嵌入组件，搭配普通Transformer构建的STAEformer在5个真实数据集上达SOTA，验证了该嵌入在捕捉时空关联与时序信息上的关键作用。
2023-10-08 cs.LG
Making forecasting self-learning and adaptive -- Pilot forecasting rack
TCS（塔塔咨询服务公司）
针对零售部分品类需求预测准确率低的问题，研究提出预测机架方法，通过决策模型根据状态动态选最优算法，结合高级特征工程的AI/ML模型将针织品品类预测准确率从60%提升至80%，且易适配不同客户场景。
2023-06-12 cs.AI cs.LG q-fin.CP
STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting
Hong Kong University of Science and Technology（香港科技大学）；Shanghai AI Laboratory（上海人工智能实验室）
STCast提出一种新型AI框架，通过空间对齐注意力机制和时间混合专家模块，实现自适应区域边界优化和动态月度预报分配，提升天气预报的准确性和泛化能力。
2026-04-19 cs.AI cs.LG physics.ao-ph
Extreme Adaptive Transformer for Time Series Forecasting
Department of Computer Science, Missouri State University（密苏里州立大学计算机科学系）
针对时间序列中罕见极端事件预测难题，提出Exformer框架，通过包含局部、步长和极端三个稀疏分量的极端自适应注意力机制，显式建模正常与极端事件的时间依赖，在四个水文数据集上实现更优的3天预测性能。
2026-07-03 cs.LG
RhyMix: A Lightweight Adaptive Multi-Rhythm Network for Long-Term Time Series Forecasting
Indian Institute of Technology Indore（印度理工学院印多尔分校）
针对现实时间序列复杂动态及现有预测架构问题，提出RhyMix混合神经架构，通过并行双路径建模及自适应门控机制集成互补分支，在多数据集测试中性能领先，且轻量级、低延迟，适用于边缘设备和实时部署。
2026-10-15 cs.AI cs.LG
DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load Forecasting with LSTM Networks
Karlstad University（卡尔斯塔德大学）；CGI（CGI集团）；Deggendorf Institute of Technology（代根多夫理工学院）；Czech Technical University in Prague（捷克布拉格技术大学）
针对负荷预测中概念漂移幅度动态变化的问题，提出DA-LSTM框架，无需预设漂移阈值，通过主动与被动自适应策略提升预测性能，并在真实云环境中验证了其有效性。
2023-05-15 cs.AI cs.LG
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
MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for Traffic Speed Forecasting
交通量预测是智能交通监控系统的核心内容。基于图神经网络的方法已被广泛用于此任务，以有效地捕捉道路网络的空间和时间依赖性。然而，这些方法不能有效地定义复杂的网络拓扑结构。此外，它们的级联网络结构在时间和空间维度上都存在传输不同特征的局限性。本文提出了一种多自适应时空流图神经网络（MAF-GNN）的交通速度预测方法。MAF-GNN引入了一种有效的多自适应邻接矩阵机制来捕获交通节点之间的多个潜在空间依赖关系。此外，我们提出了时空流模块，旨在进一步提高在时间和空间维度的特征传播。MAF-GNN在METR-LA和PeMS-Bay两个真实的公交网络数据集上取得了比其他模型更好的性能，证明了该方法的有效性。
2022-03-09 cs.LG
PCA-Enhanced Adaptive NVAR Framework for High-Resolution Sea Surface Temperature Forecasting in the East Sea
Pusan National University（釜山大学）
提出PCA增强的自适应NVAR框架，通过SVD降维和自适应NVAR时序建模，实现东海海面温度的高效准确预测，优于标准NVAR方法。
2026-09-09 cs.LG
Double-Path Adaptive-correlation Spatial-Temporal Inverted Transformer for Stock Time Series Forecasting
School of Intelligence Science and Technology（智能科学与技术学院）；Computational Intelligence Laboratory（计算智能实验室）；National Key Laboratory of General Artificial Intelligence（通用人工智能全国重点实验室）；Key Laboratory of Machine Perceptron (MOE)（教育部机器感知重点实验室）
针对股票预测缺乏固定空间关系的问题，提出DPA-STIFormer模型，通过以特征变化为token并采用双向自适应融合与双路径门控机制全面提取动态空间信息，在四个数据集上取得SOTA结果。
2024-09-24 cs.AI cs.LG
PIAD-SRNN: Physics-Informed Adaptive Decomposition in State-Space RNN
Department of Computer Science（计算机科学系）；Engineering, Ohio State University, Ohio, US（工程系，俄亥俄州立大学，俄亥俄州，美国）
提出PIAD-SRNN，通过分离季节与趋势分量并嵌入领域方程的递归框架，在室内空气质量数据集的CO2浓度预测中，以更优的效率在MSE和MAE上持续超越SoTA模型，并提供四个精选数据集。
2025-07-10 cs.AI cs.LG
Streaming Adaptation of Deep Forecasting Models using Adaptive Recurrent Units
IIT Bombay（印度理工学院孟买分校）
我们提出了ARU，一种自适应递归单元，用于对深度全局训练的时间序列预测模型进行流适应。ARU结合了从深度全局模型学习跨多个时间序列的复杂数据转换的优势，以及由封闭形式线性模型提供的每个序列本地化。与现有的训练后内存密集型或无响应的自适应方法不同，ARU只需要固定大小的状态，并通过简单的RNN更新操作来适应流数据。驱动ARU的核心原理很简单-保持条件高斯分布的足够统计量，并使用它们来计算封闭形式的局部参数。我们的贡献在于将这种局部线性模型嵌入到全局训练的深度模型中，同时一方面允许端到端的训练，另一方面允许简单的RNN式更新。在几个数据集上，我们表明ARU比最近提出的局部自适应方法更有效，这些方法对全局网络征税来计算局部参数。
2019-07-04 cs.AI cs.LG stat.ML
Step-adaptive multimodal fusion network with multi-scale cloud feature learning for ultra-short-term solar irradiance forecasting
School of Automation, Southeast University（自动化学院，东南大学）
提出一种步进自适应多模态融合网络，通过InceptionNeXt提取多尺度云特征、步进自适应低频补偿单元动态调整低频信息，并结合气象时间序列特征进行超短期太阳辐照度预测。
2026-06-04 cs.AI cs.LG
Disentangling Heterogeneous Traffic Dynamics for Multi-Step Traffic Forecasting via Adaptive Spectral Decomposition
Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院）；Dalian Maritime University（大连海事大学）；National Chung Hsing University（国立中兴大学）
针对多步交通预测中异构动态难以分离的问题，提出自适应分解网络ADNet，通过可学习谱分解将信号分为主导与残差组件，并双分支建模，在TraffiDent数据集上多数比较中取得最优。
2026-09-23 cs.LG
DSAT-HD: Dual-Stream Adaptive Transformer with Hybrid Decomposition for Multivariate Time Series Forecasting
Computer Science and Technology（计算机科学与技术）；Harbin Engineering University（哈尔滨工程大学）；Traditional Chinese Medicine Data Center（传统中医数据中心）；China Academy of Chinese Medical Sciences（中国中医科学院）
针对多尺度特征捕捉与固定季节分解的局限，本文提出 DSAT-HD，通过混合分解、自适应多尺度路径和双流残差学习提升预测性能与跨场景泛化能力。
2025-09-29 cs.AI 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
Minimal Batch Adaptive Learning Policy Engine for Real-Time Mid-Price Forecasting in High-Frequency Trading
Business School, University of Edinburgh（爱丁堡大学商学院）
本文提出基于强化学习的自适应学习策略引擎ALPE，利用纳斯达克Level 1限价订单簿数据实现高频交易中的无批量即时中间价预测，并通过自适应epsilon衰减动态平衡探索与利用，在100只标普500股票上超越多种机器学习和深度学习模型。
2024-12-30 cs.LG q-fin.ST
Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting
School of Mathematics and Statistics, 2 School of Computing and Information Systems（1 数学与统计学学院，2 计算与信息系统学院）
针对多变量时间序列预测中现有通道独立、通道依赖策略的固有缺陷，本文提出Adapformer框架，通过双阶段自适应通道模块融合两类策略优势，实现了更优的预测精度与计算效率。
2025-11-18 cs.AI cs.LG
