A K-variate Time Series Is Worth K Words: Evolution of the Vanilla Transformer Architecture for Long-term Multivariate Time Series Forecasting
Shanghai Jiao Tong University（上海交通大学）
多变量时间序列预测（MTSF）是许多实际应用中的一个基本问题。近年来，Transformer已成为MTSF的事实上的解决方案，特别是对于长期的情况。然而，除了一个正向操作之外，现有MTSF Transformer架构中的基本配置几乎没有经过仔细验证。在这项研究中，我们指出，目前的令牌化策略在MTSF Transformer架构忽略了令牌的均匀性感应偏置的Transformers。因此，普通MTSF Transformer难以捕获时间序列中的细节，表现出较差的性能。基于这一观察，我们对普通MTSF Transformer的基本架构进行了一系列的改进。我们改变了有缺陷的标记化策略，以及解码器结构和嵌入。令人惊讶的是，进化的简单Transformer架构是高度有效的，其成功地避免了普通MTSF Transformer中的过平滑现象，实现了更详细和准确的预测，并且甚至显著优于为MTSF精心设计的最先进的Transformers。
2022-12-06 cs.LG
Navigating the Safety-Fidelity Trade-off: Massive-Variate Time Series Forecasting for Power Systems via Probabilistic Scenarios
ZJU-UIUC Institute, Zhejiang University（浙江大学伊利诺伊大学厄巴纳香槟校区联合学院）
针对现有基准无法评估大规模多变量概率预测的安全性与保真度权衡问题，提出包含多达36,964个通道的电力系统基准PowerPhase和场景式分位数预测器PowerForge，在多个网格上取得最佳平均排名。
2026-06-12 cs.LG
Enhancing Channel-Independent Time Series Forecasting via Cross-Variate Patch Embedding
Humanity Unleashed；University of Virginia（弗吉尼亚大学）；OpenAI
提出跨变量补丁嵌入（CVPE）轻量模块，通过修改补丁嵌入过程注入跨变量上下文，增强通道独立预测模型Time-LLM，在七个数据集上超越基线。
2025-05-22 cs.AI cs.LG
Revitalizing Canonical Pre-Alignment for Irregular Multivariate Time Series Forecasting
针对不规则多元时间序列预测中CPA预对齐计算开销大、现有图模型难以捕捉全局相关性的问题，提出基于CPA的KAFNet架构，以更低参数量和更快速度取得SOTA性能。
2025-12-01 cs.LG
CARNet Cycle-Conditioned Core Aggregation and Redistribution for Multivariate Time Series Forecasting
North South University（南北大学）；Apurba Technologies（阿普尔巴科技公司）
针对多变量时间序列预测中交叉变量依赖建模难题，提出CARNet框架，通过多头核心聚合将全局循环信息融入基于核心的交互建模，实验证明其在不同预测范围优于基线，且保持线性复杂度。
2026-07-27 cs.LG
S2TX: Cross-Attention Multi-Scale State-Space Transformer for Time Series Forecasting
Duke University（杜克大学）
针对多变量时间序列预测中变量独立处理、多尺度表示无交互的问题，提出S2TX模型，整合Mamba与带局部窗口注意力的Transformer并引入交叉注意力机制，在7个基准数据集上实现稳健SOTA结果且内存占用低。
2025-02-17 cs.LG
MillGNN: Learning Multi-Scale Lead-Lag Dependencies for Multi-Variate Time Series Forecasting
College of Computer Science and Technology（计算机科学与技术学院）；Zhejiang University（浙江大学）
针对现有多变量时间序列预测方法忽略多分组尺度领先-滞后依赖的问题，提出基于图神经网络的MillGNN方法，通过两项创新模块捕捉多尺度领先-滞后效应，在11个数据集上优于16种现有最优方法。
2025-09-04 cs.AI cs.LG
SAGE: Variate-Wise Semantic Augmentation for Vision-Language Time Series Forecasting
Shanghai Jiao Tong University（上海交通大学）
针对时间序列预测模型缺乏语义知识的问题，提出基于CLIP的SAGE框架，通过双重利用CLIP实现多模态监督，在8个长期基准及M4数据集上取得最优精度。
2026-08-28 cs.CV cs.LG
CITRAS: Covariate-Informed Transformer for Time Series Forecasting
Research & Development Group, Hitachi, Ltd.（日立有限公司研发部）
提出CITRAS，一种仅解码器Transformer，通过KV移位和注意力分数平滑机制灵活整合已知协变量的未来部分，并捕获局部和全局跨变量依赖，提升预测精度。
2026-06-09 cs.AI cs.LG
Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers
Renmin University of China（中国人民大学）；Microsoft（微软公司）；Peking University（北京大学）；KAUST（阿卜杜拉国王科技大学）
GridTST基于朴素Transformer，通过网格化时间序列并采用水平与垂直多方向注意力，同时捕捉时间与变量相关性，实现长期预测的最先进性能。
2024-05-22 cs.AI cs.LG
Rethinking Channel Dependence for Multivariate Time Series Forecasting: Learning from Leading Indicators
Shanghai Jiao Tong University（上海交通大学）
针对多变量时间序列预测中通道独立方法未利用通道依赖的问题，提出即插即用的LIFT方法，通过挖掘变量间领先-滞后关系利用领先指标信息，在六个真实数据集上平均提升现有最优方法5.5%的预测性能。
2024-08-13 cs.AI cs.LG
GNA: Granular Neighbor Assembly for Retrieval-Augmented Multivariate Time-Series Forecasting
CERN（欧洲核子研究中心）
提出粒度邻居组装检索层GNA，通过整窗和逐变量双粒度检索及门控融合，在96个设置中85个提升Transformer预测性能，优于无检索基线。
2026-09-30 cs.LG stat.ML
TimePro: Efficient Multivariate Long-term Time Series Forecasting with Variable- and Time-Aware Hyper-state
针对多延迟问题，提出基于Mamba的TimePro模型，通过构建变量和时间感知超状态，捕捉变量关系与时间信息，在八个基准上实现高效准确预测。
2025-05-27 cs.LG
TiVaT: A Transformer with a Single Unified Mechanism for Capturing Asynchronous Dependencies in Multivariate Time Series Forecasting
Yonsei University（延世大学）；Graduate School of Information, Yonsei University（延世大学信息研究生院）
提出TiVaT架构，通过联合轴注意力模块和距离感知时间变量采样机制同时处理时间与变量建模，有效捕捉多变量时间序列中的异步依赖关系，在复杂数据集上表现卓越。
2025-01-31 cs.AI cs.LG
A Multi-Variate Triple-Regression Forecasting Algorithm for Long-Term Customized Allergy Season Prediction
Boston University（波士顿大学）；University of California Los Angeles（加州大学洛杉矶分校）；Deakin University（迪肯大学）；Massachusetts Institute of Technology（麻省理工学院）
在本文中，我们提出了一种新的多变量算法，使用三重回归方法来预测空气中的花粉过敏季节，可以为每个患者在长期定制。为了提高预测精度，我们首先进行预处理，整合花粉浓度的历史数据和其他协变量（如气象数据）的各种推断信号。然后，我们提出了一种新的算法，它包括三个阶段的回归：在第一阶段，回归模型预测的开始/结束日期的空气花粉过敏季节是从一个滚动窗口的协变量的12个时间序列提取的特征矩阵训练：在第二阶段，回归模型预测相应的不确定性的特征矩阵和预测结果的基础上，从第一阶段训练;在阶段3中，基于来自阶段1和2的预测结果建立加权线性回归模型。结果表明，第三阶段有助于提高预测精度，降低多元三重回归算法的不确定性。根据不同的过敏敏感程度，花粉的触发浓度-过敏季节的定义可以单独定制。在我们的回测中，使用该算法实现了4.7天的平均绝对误差（MAE）。我们的结论是，该算法可以适用于通用和长期的预测问题。
2020-12-11 cs.LG stat.AP stat.ML
Regularized Graph Structure Learning with Semantic Knowledge for Multi-variates Time-Series Forecasting
Ant Group（蚂蚁集团）；AI School, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
多变量时间序列预测是许多应用的关键任务，而图时间序列网络由于其能够同时捕获时空相关性而被广泛研究。然而，大多数现有的工作更侧重于学习与显式的先验图结构，而忽略了潜在的信息，从隐式图结构，产生不完整的结构建模。最近的一些工作试图直接学习内在或隐含的图结构，但缺乏一种将显式先验结构和隐式结构结合在一起的方法。在本文中，我们提出了正则化图结构学习（RGSL）模型，将显式先验结构和隐式结构结合在一起，并随着图结构一起学习预测深度网络。RGSL由两个创新模块组成。首先，我们通过节点嵌入推导出一个隐式的稠密相似矩阵，并使用基于Gumbel Softmax技巧的正则化图生成（RGG）来学习稀疏图结构。其次，我们提出了一个拉普拉斯矩阵混合模块（LM 3）来融合显式图和隐式图。我们在三个真实的数据集上进行了实验。实验结果表明，该模型在学习有意义的图结构的同时，性能明显优于现有的图预测算法。我们的代码和模型在https://github.com/alipay/RGSL.git上公开提供。
2022-10-12 cs.CV cs.LG
xLSTM-Mixer: Multivariate Time Series Forecasting by Mixing via Scalar Memories
AI & ML Group, TU Darmstadt（AI与机器学习小组，德累斯顿理工大学）；TU Eindhoven（埃因霍温理工大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science, TU Darmstadt（认知科学中心，德累斯顿理工大学）
xLSTM-Mixer通过融合多种视角和混合架构，实现了多变量时间序列预测的高精度与低内存消耗。
2025-11-20 cs.LG
A Multi-Task Learning Approach to Linear Multivariate Forecasting
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本文将多变量时间序列预测建模为多任务学习，提出基于相关性聚类分组变量、按预测误差缩放梯度，并在线性 MTLinear 框架中实现性能相当或更优。
2025-03-15 cs.AI cs.LG
UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting
Salesforce（赛富时）；University of California Los Angeles（加利福尼亚大学洛杉矶分校）；National University of Singapore（新加坡国立大学）
本文提出UniTST模型，通过在展平的patch token上使用统一注意力机制直接建模多元时间序列中的序列间与序列内依赖，并引入dispatcher模块降低复杂度，在多个数据集上取得出色预测性能。
2024-06-07 cs.AI cs.LG
TimeBridge: Non-Stationarity Matters for Long-term Time Series Forecasting
Shenzhen University（深圳大学）
针对多变量时间序列预测中非平稳性对短长期建模影响不同的问题，提出TimeBridge框架，通过积分注意力和协整注意力分别处理短长期非平稳性与依赖，在多类预测任务中达到SOTA。
2025-05-15 cs.LG stat.ML
Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series
IMEC
本文提出两种无监督异常预测方法，利用N-BEATS或图神经网络对半导体多变量时间序列进行预测，通过偏差检测异常，GNN在性能、参数和计算成本上更优。
2025-10-23 cs.AI cs.LG
Channel-aware Contrastive Conditional Diffusion for Multivariate Probabilistic Time Series Forecasting
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；University of Alberta（阿尔伯塔大学）
本文提出通道感知对比条件扩散模型CCDM，通过通道中心去噪网络和基于去噪的时间对比学习提升多元概率时间序列预测精度与泛化能力，在基准测试中优于现有扩散预测器。
2024-10-03 cs.LG
Beyond Fixed Variables: Expanding-variate Time Series Forecasting via Flat Scheme and Spatio-temporal Focal Learning
Southwest Jiaotong University（西南交通大学）；College of Computer Science and Technology（计算机科学与技术学院）；Zhejiang University（浙江大学）；Engineering Research Center of Sustainable Urban Intelligent Transportation（可持续城市智能交通工程研究中心）；Department of Computer Science（计算机科学系）；Aalborg University（奥胡斯大学）
针对新传感器增加导致的变量扩展预测难题，提出灵活时空框架STEV。其通过Flat Scheme展平2D样本解决数据形状不一致，并利用时空焦点学习策略优化数据有限的扩展变量，在仅用5%观测数据时即可媲美全量训练的SOTA模型。
2025-06-01 cs.AI cs.LG
Variance Reduced Training with Stratified Sampling for Forecasting Models
Cornell University（康奈尔大学）；Amazon Web Services (AWS) AI Labs（亚马逊云科技（AWS）人工智能实验室）；Amazon Research（亚马逊研究院）；University of Pennsylvania（宾夕法尼亚大学）
在大规模的时间序列预测中，人们经常会遇到这样的情况，即时间序列的时间模式随着时间的推移而漂移，在同一数据集中彼此不同。在本文中，我们证明了在这种异质性下，使用常用的随机优化器（例如SGD）训练预测模型可能会在梯度估计上遭受较大的方差，从而导致长时间的训练。我们表明，这个问题可以有效地缓解通过分层，它允许优化器从预先分组的时间序列层采样。为了更好地权衡梯度方差和计算复杂性，我们进一步提出了SCott（随机分层控制变量梯度下降），方差减少SGD风格的优化器，利用分层采样通过控制变量。在理论上，我们提供了光滑非凸目标上SCott的收敛保证。从经验上讲，我们评估SCott和其他基线优化合成和现实世界的时间序列预测问题，并证明SCott收敛速度更快的迭代和挂钟时间。
2021-06-11 cs.LG stat.ML
Multi-view Kernel PCA for Time series Forecasting
KU Leuven（鲁汶大学）
在本文中，我们提出了一个多变量时间序列预测的核主成分分析模型，其中的训练和预测方案来自于限制核机器的多视图制定。训练问题简单地是对应于输入和输出数据的视图的两个核矩阵的总和的特征值分解。当输出视图使用线性核时，它表明预测方程采取核岭回归的形式。当该核是非线性的时，必须解决前像问题以预测输入空间中的点。我们在几个标准的时间序列数据集上评估模型，进行消融研究，与密切相关的模型进行基准测试，并讨论其结果。
2023-01-24 cs.LG
Is Mamba Effective for Time Series Forecasting?
Northeastern University（东北大学）
针对Transformer在时间序列预测中计算复杂度高的问题，提出基于Mamba的S-Mamba模型，通过双向Mamba层和前馈网络分别提取变量间相关性与时间依赖性，在保持低计算开销的同时于13个数据集上取得领先性能。
2024-04-27 cs.LG
ST-Hyper: Learning High-Order Dependencies Across Multiple Spatial-Temporal Scales for Multivariate Time Series Forecasting
College of Computer Science and Technology（计算机科学与技术学院）
针对多变量时间序列预测中现有方法难以建模跨多时空尺度依赖的问题，提出ST-Hyper框架，通过时空金字塔模块提取多尺度特征、自适应超图建模捕捉高阶依赖并结合三阶段传播，在6个真实数据集上取得SOTA性能。
2025-09-02 cs.AI cs.LG
Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting
University of Minnesota（明尼苏达大学）；Polytechnique Montreal（蒙特利尔理工学院）；McGill University（麦吉尔大学）
本文提出了一种可扩展的动态混合模型，利用全协方差建模时间变化的交通预测误差分布，提升预测性能并提供可解释的时空相关结构。
2025-04-08 cs.LG
Forecasting Multi-Dimensional Processes over Graphs
Delft University of Technology（代尔夫特理工大学）
通过基于图的技术的多变量时间过程的预测最近已经在图信号处理框架下被解决。然而，在表示和处理的问题时，每个时间序列进行的向量的数量，而不是一个标量。为了解决这个问题，我们设计了一个新的框架，并提出了新的方法的基础上的图向量自回归模型。更明确地说，我们利用乘积图对高维图数据进行建模，并开发基于多维图的向量自回归模型来预测未来趋势，这些模型具有许多独立于时间序列数量和线性计算复杂度的参数。数值结果表明，移动点云的预测证实了我们的研究结果。
2020-04-17 cs.LG eess.SP
Pooling Helps, Learned Weighting Hurts In-Context: Decomposing Group Attention
Amazon（亚马逊）
本研究分解组注意力机制，发现均匀池化在多变量和上下文学习预测中普遍有益，而学习权重在上下文学习中常有害，仅统一第一块注意力即可改善所有测试配置。
2026-10-02 cs.LG
AWGformer: Adaptive Wavelet-Guided Transformer for Multi-Resolution Time Series Forecasting
School of Computer Engineering and Science（计算机工程与科学学院）；Shanghai University（上海大学）
AWGformer通过自适应小波分解与跨尺度注意力机制，提升多分辨率时间序列预测的精度与效率。
2026-01-28 cs.LG
CITRAS-FM: Tiny Time Series Foundation Model for Covariate-Informed Zero-Shot Forecasting
University of Tokyo（东京大学）；Keio University（庆应大学）
提出CITRAS-FM，一个仅7M参数的时间序列基础模型，通过引入Shifted Attention和协变量合成方法CovSynth，实现高效零样本预测，在100个任务上达到子10M模型最优精度且CPU推理时间低于0.1秒。
2026-07-13 cs.LG
Correction-space Cross-variate Interaction for Test-time Adaptation in Time Series Forecasting
Eindhoven University of Technology（埃因霍温理工大学）
提出CoRe方法，通过在校正空间而非预测空间进行跨变量交互，利用共享锚点细化和谱门控，在时间序列预测测试时自适应中显著降低MSE。
2026-09-29 cs.LG
Hydra: Dual Exponentiated Memory for Multivariate Time Series Analysis
提出双头元上下文记忆模块Hydra，通过二维循环跨越时间和变量维度建模多元时间序列，并设计二维分块训练算法提升10倍效率，在预测、分类和异常检测等任务上表现优越。
2025-11-02 cs.LG
Continuous and randomized defensive forecasting: unified view
防御性预测是一种将概率定律（用博弈论术语表示为怀疑论者的策略）转化为预测算法的方法。有两种已知的防御性预测：“连续”，其中怀疑论者的行动被假定为以（半）连续的方式依赖于预测，并产生确定性预测，和“随机”，其中怀疑论者的行动对预测的依赖是任意的，而预测者的行动被允许随机化。这个注记表明，随机品种可以从连续品种中获得，通过涂抹怀疑论者的移动使其连续。
2007-08-23 cs.LG
VE: Modeling Multivariate Time Series Correlation with Variate Embedding
Swinburne University of Technology（斯威本科技大学）；Zhejiang University（浙江大学）
针对现有通道独立类模型难以捕捉多变量时间序列相关性的问题，提出变量嵌入（VE）流程，结合MoE与LoRA技术，可集成到带CI最终投影层的模型中，在四个常用数据集上验证了预测性能提升效果。
2024-10-31 cs.LG
XLinear: A Lightweight and Accurate MLP-Based Model for Long-Term Time Series Forecasting with Exogenous Inputs
XLinear通过多层感知机提取时间序列和外生变量的依赖关系，实现高效准确的长期时间序列预测，优于现有模型。
2026-01-14 cs.LG
It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks
University of Science and Technology of China（中国科学技术大学）；Tsinghua University（清华大学）
针对现有时间序列基准在数据组成、完整性、任务设计和分析视角上的局限，提出TIME基准，包含50个新数据集和98个预测任务，采用人机协作管道确保数据完整性，并引入模式级评估视角，对12个基础模型进行多粒度排名。
2026-06-03 cs.LG
Probabilistic Traffic Forecasting with Dynamic Regression
McGill University（麦吉尔大学）；University of Minnesota（明尼苏达大学）
本文提出动态回归框架，通过矩阵变量自回归建模基础交通预测模型的误差过程并重新设计损失函数，实现概率预测且保留原始输出，在SOTA模型上验证了性能提升和可解释性。
2025-04-08 cs.LG stat.ML
Understanding the Role of Textual Prompts in LLM for Time Series Forecasting: an Adapter View
Alibaba（阿里巴巴）
本研究发现LLM时间序列预测中文本提示的作用实质等同于引入可学习参数的适配器，而非文本信息本身提升了精度，并据此开发四种适配器以改进预测。
2024-11-18 cs.LG
Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting
College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院）
本文提出STOIC方法，利用时间序列间的随机相关性学习潜在图结构，在多个基准上实现约16%更准确、14%校准更好的预测，并增强对噪声的适应性。
2024-07-02 cs.AI cs.LG
Bond Graphs for multi-physics informed Neural Networks for multi-variate time series
IETR UMR CNRS 6164（电子与数字技术研究所（CNRS UMR 6164））
本文提出神经键合图编码器NBgE，将键合图多物理建模与消息传递图神经网络结合，生成多物理信息表示以统一数据和架构偏置，并在直流电机与呼吸系统上验证了多变量时间序列预测效果。
2024-08-02 cs.AI cs.LG
HypLTSF: A Hyperbolic Geometric View of Multi-Scale Hierarchies for Long-Term Time Series Forecasting
Urban AI Institute, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院城市人工智能研究所）；Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
HypLTSF将多尺度层次结构嵌入庞加莱球，通过径向和角度约束显式建模几何结构，在长期预测基准上取得最先进性能。
2026-09-09 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
MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time Series Forecasting
China Mobile Research Institute（中国移动研究院）
针对长期时间序列预测中现有方法模式噪声多、可解释性差、忽略多变量个体特征的问题，提出MPPN架构，通过多分辨率语义单元、多周期模式挖掘、通道自适应模块及熵基可预测性评估方法，在9个基准上性能超越现有最优方法。
2023-06-12 cs.LG stat.ML
A foundation model with multi-variate parallel attention to generate neuronal activity
IBM Research – Zurich（IBM苏黎世研究院）；Bern University Hospital（伯尔尼大学医院）
本研究提出多变量并行注意力（MVPA）机制，构建MVPFormer生成式基础模型，在iEEG等任务上达SOTA性能，发布最大公开iEEG数据集SWEC，为异构时间序列建模提供通用方案。
2026-09-01 cs.AI cs.LG
Monitoring Time Series With Missing Values: a Deep Probabilistic Approach
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
通常通过收集和流式传输多变量时间序列来监控系统的健康和安全。由于采用多层递归神经网络结构，时间序列预测的进步使得在高维时间序列中进行预测成为可能，并且基于趋势的微妙变化来早期识别和分类新颖性。然而，主流的多变量时间序列预测方法不能很好地处理正在进行的预测必须包括不确定性的情况下，他们也是强大的缺失数据。我们引入了一种新的架构，时间序列监测的基础上结合国家的最先进的方法预测在高维时间序列与充分的概率处理的不确定性。我们展示了时间序列预测和新颖性检测的架构的优势，特别是部分缺失数据，并根据经验评估和比较的架构，以国家的最先进的方法在现实世界的数据集。
2022-03-09 cs.LG stat.ML
Teaching Time Series to See and Speak: Forecasting with Aligned Visual and Textual Perspectives
Arizona State University（亚利桑那州立大学）；University of Oxford（牛津大学）
本文提出多模态对比学习框架，将时间序列同时转化为视觉与文本视角并对齐，结合变量选择模块，在多个预测基准上超越单模态和跨模态基线。
2025-07-01 cs.CV cs.LG
TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables
BNRist
针对现实场景中仅靠内生变量不足以准确预测的问题，提出 TimeXer 模型，通过巧妙设计的嵌入层融合外生变量，利用 patch 级自注意力与变量级交叉注意力增强 Transformer，在 12 个基准上达到 SOTA。
2024-11-11 cs.AI cs.LG
OneNet: Enhancing Time Series Forecasting Models under Concept Drift by Online Ensembling
Institute of Automation（自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Alibaba Group（阿里巴巴集团）；Meta
OneNet通过强化学习动态集成时间依赖模型与跨变量依赖模型，解决在线时间序列预测中的概念漂移问题，将预测误差降低50%以上。
2023-09-22 cs.DS cs.LG
Metadata Matters for Time Series: Informative Forecasting with Transformers
Tsinghua University（清华大学）
本研究提出元数据感知时间序列Transformer（MetaTST），将元数据编码为令牌融入预测模型，在多类预测基准上实现了性能突破。
2024-10-04 cs.CL cs.LG
DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling
Xinjiang University（新疆大学）
针对协作式云边环境中多维特征建模与预测效率平衡难题，提出DSTFView框架，通过双输入时空频率建模联合捕捉多种依赖性，设计自适应融合机制，实验证明其在多指标上优于基线。
2026-07-28 cs.AI cs.LG
CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting
Georgia Institute of Technology（佐治亚理工学院）；College of Computing（计算学院）
概率时间序列预测可以在许多领域做出可靠的决策。大多数预测问题都有不同的数据来源，包含多种模式和结构。利用这些数据来源的信息和不确定性进行校准良好和准确的预测是一个重要的挑战性问题。以前大多数关于多模态学习和预测的工作只是通过简单的求和或级联方法从每个数据视图中聚合中间表示，并且没有明确地为每个数据视图建模不确定性。我们提出了一个通用的概率多视图预测框架CAMul，它可以从不同的数据源中学习表示和不确定性。它以动态的特定于上下文的方式集成来自每个数据视图的知识和不确定性，为有用的视图分配更多的重要性，以模拟校准良好的预测分布。我们将CAMul用于具有不同来源和形式的多个域，并表明CAMul在准确性和校准方面优于其他最先进的概率预测模型25%以上。
2022-02-25 cs.AI cs.LG stat.ML
Signature-Kernel Based Evaluation Metrics for Robust Probabilistic and Tail-Event Forecasting
School of Informatics, University of Edinburgh, Edinburgh, UK（信息学院，爱丁堡大学，爱丁堡，英国）；School of Mathematics, University of Edinburgh, Edinburgh, UK（数学学院，爱丁堡大学，爱丁堡，英国）
本文提出基于签名核的Sig-MMD和CSig-MMD两种评估指标，用于改进概率和尾事件预测的鲁棒性与准确性。
2026-02-10 cs.LG stat.ML
