Surrogate Modeling for Explainable Predictive Time Series Corrections
Software Competence Center Hagenberg（哈根贝格软件能力中心）
本文提出一种局部替代方法，通过修正经典时间序列基础模型的预测结果，揭示模型参数差异以提高可解释性，并通过实例展示方法发现数据潜在模式的能力。
2026-06-29 cs.LG stat.ML
CrossAD: Time Series Anomaly Detection with Cross-scale Associations and Cross-window Modeling
East China Normal University（东华大学）；Shandong Inspur Database Technology Co., Ltd.（山东 Inspur 数据库技术有限公司）
CrossAD提出跨尺度重构与查询库机制，显式建模跨尺度关联并融入全局多尺度上下文，突破固定窗口限制，在多个真实数据集上以九种指标达到最先进异常检测性能。
2025-10-14 cs.LG stat.ML
Inductive Granger Causal Modeling for Multivariate Time Series
Alibaba Group（阿里巴巴集团）
Granger因果模型是一个新兴的研究课题，它能够揭示多元时间序列数据背后的Granger因果关系。在许多现实世界的系统中，经常会遇到从具有共享共性的不同个体收集的大量多变量时间序列数据。然而，有持续关注格兰杰因果关系的适用性，在这样的大规模复杂的情景，提出了挑战和机会，格兰杰因果结构重建。现有的方法通常为每个个体训练不同的模型，存在低效率和过拟合问题。为了弥合这一差距，我们提出了一个归纳格兰杰因果关系建模（InGRA）框架的归纳格兰杰因果关系学习和共同的因果结构检测多变量时间序列，利用共享的共性，不同的个人。特别地，我们通过一种新的注意力机制（称为原型Granger因果注意力）为具有不同Granger因果结构的个体训练一个全局模型。该模型可以检测不同个体的共同因果结构，并推断新来个体的格兰杰因果结构。大量的实验以及在电子商务广告平台上的在线A/B测试证明了InGRA的优越性能。
2021-02-10 cs.LG stat.ML
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
Modeling Latent Non-Linear Dynamical System over Time Series
SANKEN, Osaka University（大阪大学SANKEN（大阪大学蛋白质研究所））
针对时间序列非线性动力系统建模缺乏长期时间依赖整合的问题，本文提出LaNoLem方法，通过引入潜在状态解决循环依赖，以交替最小化估计参数并控制模型复杂度，在动力学估计和预测性能上优于现有模型。
2025-01-27 cs.LG stat.ML
Enhancing Masked Time-Series Modeling via Dropping Patches
Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出 DropPatch 方法，通过随机丢弃子序列级 patches 增强掩码时间序列建模，不仅以平方级优势提升预训练效率，还优化了多场景下的表示学习质量。
2024-12-19 cs.LG stat.ML
TimeGym: Debugging for Time Series Modeling in Python
我们介绍了TimeGym Forecasting Toolkit，这是一个用于测试和调试时间序列预测管道的Python库。TimeGym通过为新出厂的预测管道提供通用测试来简化测试预测管道。这些测试基于时间序列的常见建模挑战。我们的库使预测人员能够将测试驱动开发方法应用于预测建模，使用指定的预言机生成带有噪声的人工数据。
2021-05-04 cs.LG
ST-MTM: Masked Time Series Modeling with Seasonal-Trend Decomposition for Time Series Forecasting
Ulsan National Institute of Science and Technology（乌山国立科学技术研究院）
ST-MTM提出基于季节-趋势分解的掩码时间序列建模框架，通过周期掩码和子序列掩码分别处理季节与趋势分量，并结合对比学习，在时间序列预测中取得优于现有方法的性能。
2025-06-13 cs.AI cs.LG stat.ML
Conditional Chow-Liu Tree Structures for Modeling Discrete-Valued Vector Time Series
University of California, Irvine（加州大学尔湾分校）
我们考虑离散值向量时间序列数据的建模问题，使用扩展的Chow-Liu树模型来捕获跨时间的依赖关系和跨变量的依赖关系。作为对标准Chow-Liu树的扩展，引入了条件Chow-Liu树模型，用于建模条件密度而不是联合密度。我们描述了这种模型的学习算法，并展示了它们如何可以用来学习隐马尔可夫模型的输出分布的简约表示。并将这些模型应用于雨量站网逐日降水量的模拟和预报这一重要问题。为了证明模型的有效性，我们比较了它们的性能与一些替代品使用历史降水数据从澳大利亚西南部和美国西部。我们说明了如何的结构和参数的模型可以用来提供一个改进的气象解释这样的数据。
2012-07-11 cs.LG stat.ML
What went wrong and when? Instance-wise Feature Importance for Time-series Models
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Harvard University (SEAS)（哈佛大学工程与应用科学学院）；Lunenfeld Tanenbaum Research Institute（卢嫩菲尔德-塔南鲍姆研究所）；The Hospital for Sick Children（病童医院）
时间序列模型的简化对于像医疗保健这样的高风险应用是有用的，但是在机器学习文献中很少受到关注。我们提出了FIT，一个框架，通过量化预测分布随时间的变化来评估多变量时间序列黑箱模型观测的重要性。FIT根据其对KL发散下分布变化的贡献来定义观察的重要性，KL发散将预测分布与其余特征未观察到的反事实进行对比。我们还证明了需要控制随时间变化的分布偏移。我们将模拟和真实世界临床数据与最先进的基线进行比较，并证明我们的方法在识别整个时间序列的重要时间点和观察结果方面具有优势。
2020-10-28 cs.LG stat.ML
Spliced Binned-Pareto Distribution for Robust Modeling of Heavy-tailed Time Series
AWS ProServe（亚马逊云科技专业服务）；Amazon Research（亚马逊研究院）
本文提出了一种新的方法，在非平稳的情况下，鲁棒和准确地建模具有重尾噪声的时间序列。在许多实际应用中，时间序列具有严重影响经典预测模型性能的重尾噪声;特别地，精确地建模极端事件的分布对于执行精确的时间序列异常检测至关重要。我们提出了一个拼接Binned-Pareto分布，它既对极端观测具有鲁棒性，又允许对全分布进行精确建模。我们的方法允许捕获的时间依赖性的高阶矩的分布，如尾部沉重。我们比较了我们的方法的尾部估计的鲁棒性和准确性，以其他国家的最先进的方法在Twitter上提到计数时间序列。
2022-07-29 cs.LG stat.CO stat.ML
Multivariate time-series modeling with generative neural networks
University of Waterloo（滑铁卢大学）
提出了一种基于生成矩匹配网络的多变量时间序列联合新息分布相关模型。针对MTS数据相关性建模的Copula-Gestival方法，提出了一种基于GMMN-Gestival方法的建模框架。首先，ARMA-GARCH模型被用来捕捉每个单变量边际时间序列内的序列相关性。其次，如果边缘时间序列的数量是大的，主成分分析（PCA）被用作降维步骤。最后，其余的横截面依赖性是通过GMMN建模，这项工作的主要贡献。GMMN是高度灵活的，易于模拟，这是一个主要的优势，copula-Gesthem方法。涉及收益率曲线建模和外汇汇率收益率分析的应用表明了GMMN-Gestern方法的实用性，特别是在产生更好的经验预测分布和做出更好的概率预测方面。
2021-10-01 cs.LG stat.ME stat.ML
Robust Multivariate Time Series Forecasting against Intra- and Inter-Series Transitional Shift
School of Medical Technology, Beijing Institute of Technology（北京理工大学医学技术学院）；Tongji University（同济大学）；School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）；Data Science Institute, University of Technology Sydney（悉尼科技大学数据科学研究所）；School of Computing, Macquarie University（麦考瑞大学计算学院）
针对多元时间序列预测中的分布偏移问题，提出联合概率图模型JointPGM，同时捕捉序列内与序列间相关性并建模时变转移分布，在六个非平稳数据集上取得最优性能。
2024-07-18 cs.AI cs.LG
Dish-TS: A General Paradigm for Alleviating Distribution Shift in Time Series Forecasting
University of Macau（澳门大学）
时间序列预测中的分布偏移是指序列分布随时间的变化，它在很大程度上阻碍了时间序列预测模型的性能。现有的工作对分布偏移的时间序列大多局限于分布的量化，更重要的是，忽略了潜在的移动之间的回望和地平线窗口。针对上述挑战，本文系统地将TSF的分布偏移分为两类。视回视窗口为输入空间，视水平窗口为输出空间，存在（i）空间内移位，即输入空间内的分布随时间推移而保持移位，以及（ii）空间间移位，即输入空间和输出空间之间的分布移位。然后，我们介绍，Dish TS，一个一般的神经范式，以减轻TSF的分布偏移。具体来说，为了更好地估计分布，我们提出了系数网络（CONET），它可以是任何神经架构，将输入序列映射到可学习的分布系数。为了减轻空间内和空间间的移位，我们将Dish-TS组织为Dual-CONET框架，以分别学习输入空间和输出空间的分布，从而自然地捕获两个空间的分布差异。此外，我们介绍了一个更有效的训练策略，顽固CONET学习。最后，我们在几个数据集上进行了广泛的实验，并结合了不同的最先进的预测模型。实验结果表明，Dish-TS一贯提高他们超过20%的平均改善。代码可用。
2023-03-14 cs.AI cs.LG
APT: Affine Prototype-Timestamp For Time Series Forecasting Under Distribution Shift
针对分布偏移下时间序列预测中现有模型依赖局部统计归一化的局限，提出轻量插件模块APT，通过时间戳条件原型学习生成仿射参数注入归一化-预测流程，兼容多骨干网络且显著提升分布偏移下的预测性能。
2025-11-17 cs.LG
Routine Modeling with Time Series Metric Learning
Orange Labs（Orange实验室）；LIRIS（里昂信息与图像系统实验室）；CNRS（法国国家科学研究中心）；INSA-Lyon（里昂国立应用科学学院）
传统上，人类活动的自动识别是在有限的特定活动集合上利用监督学习算法来执行的。这项工作提出了识别经常性的活动模式，称为例程，而不是精确定义的活动。例程的建模被定义为一个度量学习问题，并提出了一个架构，称为SS2S，基于序列到序列模型来学习时间序列之间的距离。这种方法仅依赖于惯性数据，因此是非侵入性的，并保护隐私。实验结果表明，提供学习距离的聚类算法能够恢复日常惯例。
2019-07-08 cs.AI cs.LG stat.ML
Trajectory Flow Matching with Applications to Clinical Time Series Modeling
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；Yale School of Medicine（耶鲁医学院）；School of Clinical Medicine, University of Cambridge（剑桥大学临床医学院）；Université de Montréal（蒙特利尔大学）；CIFAR（加拿大高级研究院）
本文提出轨迹流匹配（TFM）方法，以无仿真方式训练神经常微分方程，避免通过动力学反向传播，从而提升训练稳定性和可扩展性，并在三个临床时间序列数据集上取得更优的性能和不确定性预测。
2025-02-04 cs.AI cs.LG stat.ML
Test-Time Adaptation for Non-stationary Time Series: From Synthetic Regime Shifts to Financial Markets
Department of Statistics & Operations Research, UNC Chapel Hill（统计与运筹学系，UNC夏洛特山）
本文提出了一种小规模测试时适应框架，用于非平稳时间序列的因果预测和方向分类，在合成数据和金融市场中验证了其有效性。
2026-01-20 cs.LG q-fin.ST stat.ML
PSO-MISMO Modeling Strategy for Multi-Step-Ahead Time Series Prediction
多步时间序列预测是时间序列建模与预测领域中最具挑战性的研究课题之一，一直处于研究之中。最近，多输入多输出（MISMO）建模策略已被提出作为一个有前途的替代多步提前时间序列预测，表现出的优势相比，目前的两个主要策略，迭代和直接的策略。建立在已建立的MISMO策略，本研究提出了一种基于粒子群优化（PSO）的MISMO建模策略，这是能够确定的子模型的数量在一个自适应的模式，具有不同的预测视野。而不是从已建立的MISMO中获得具有相等大小的预测范围的清晰划分，所提出的PSO-MISMO策略，用神经网络实现，采用启发式方法来创建具有不同大小的预测范围的灵活划分，并生成相应的子模型，在模型构建中提供了相当大的灵活性，这已经用模拟和真实数据集进行了验证。
2013-12-31 cs.AI cs.LG cs.NE
Non-Stationarity in the Embedding Space of Time Series Foundation Models
Auton Lab（自动化实验室）；Robotics Institute（机器人研究所）；Carnegie Mellon University（卡内基梅隆大学）
研究时间序列基础模型嵌入空间中非平稳性的检测方法，分析不同分布非平稳性和时间非平稳性对模型检测能力的影响。
2026-04-06 cs.AI cs.LG stat.ML
A Shift Test for Independence in Generic Time Series
我们描述了两个自相关时间序列独立性的保守统计检验。级数可以取任何集合中的值，其中一个必须是平稳的。将量化两个系列的一个片段的关联的用户指定的函数与通过将固定系列时移N到N步而获得的系综进行比较。如果序列是独立的，则未移位的值以最多m/（N+1）的概率位于前m个移位值中。对于大N，概率接近m/（2N+1）。如果未移动的值在α（N+1）的顶部，则保守检验在显著性α处拒绝独立性，并且具有在大N限制下有效的近似检验的一半功效。我们说明了这个框架的自相关分类时间序列的相关性测试。
2020-12-12 stat.ME
Transferable Time-Series Forecasting under Causal Conditional Shift
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Shantou University（汕头大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种基于因果条件偏移假设的端到端模型，用于半监督时间序列预测域适应，可发现跨域格兰杰因果结构，实现准确可解释的预测。
2023-09-06 cs.LG
Effective Bayesian Modeling of Groups of Related Count Time Series
计数的时间序列出现在各种预测应用中，传统的模型通常不适用于这些应用。本文介绍了一种分层贝叶斯公式适用于计数时间序列，可以很容易地解释变量和相关的时间序列组之间共享统计强度。我们推导出一个有效的近似推理技术，并说明其性能的数据集从供应链计划。
2014-05-15 stat.AP stat.ML
Revitalizing Multivariate Time Series Forecasting: Learnable Decomposition with Inter-Series Dependencies and Intra-Series Variations Modeling
University of Electronic Science and Technology of China（电子科技大学）；The Hong Kong Polytechnic University（香港理工大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；University of Cambridge（剑桥大学）
本文提出 Leddam 模型，通过可学习分解策略和双注意力模块同时建模序列间依赖与序列内变化，在八个数据集上显著提升多元时间序列预测性能，且分解策略可即插即用，使其他方法 MSE 降低 11.87% 至 48.56%。
2024-07-05 cs.LG
Model-Agnostic Online Certificate-Driven Calibration for Time Series Forecasting Under Distribution Shift
提出模型无关的在线鞅概率近似正确贝叶斯框架，利用证书作为正则化器校准预测器，在分布漂移下提升时间序列预测的稳定性和准确性。
2026-10-06 cs.LG
Nonlinear Time Series Modeling: A Unified Perspective, Algorithm, and Application
本文提出了一种新的非线性时间序列分析和建模的综合方法。我们引入了新的数据特定的中间分布的勒让德多项式（LP）的原始时间序列Y（t），使我们能够适应所有现有的平稳线性高斯时间序列建模策略，并使其适用于非高斯和非线性过程中的鲁棒的方式。本文的重点是经验时间序列建模通过算法LPTime。我们使用1963年1月2日至2009年12月31日之间的标准普尔500指数日收益率数据证明了我们的理论框架的有效性。我们提出的LPTime算法系统地发现所有的“程式化的事实”的金融时间序列自动一次，这是以前注意到许多研究人员一次一个。
2017-12-24 math.ST stat.AP stat.ME
FITS: Modeling Time Series with $10k$ Parameters
The Chinese University of Hong Kong（香港中文大学）
本文提出轻量级时间序列模型 FITS，通过在复频域插值并丢弃影响可忽略的高频分量，仅用约 $10k$ 参数即在预测和异常检测任务上取得与SOTA模型相当的性能，便于边缘设备部署。
2024-01-05 cs.LG
A Decomposition Modeling Framework for Seasonal Time-Series Forecasting
Hebei Finance University（河北金融学院）；ZJU-UIUC Institute（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合学院）
本文提出多尺度季节性分解模型（MSSD），通过分解时间序列为上升、峰值和下降成分，并整合Conv2d与TCN及多尺度重塑，在季节性预测中较基线降低10%误差。
2024-12-12 cs.AI cs.LG
Dateformer: Time-modeling Transformer for Longer-term Series Forecasting
Sichuan University（四川大学）
Transformers在长期序列预测方面表现出了令人印象深刻的实力。现有的预测研究主要集中在将过去的短期子序列（回顾窗口）映射到未来的序列（预测窗口）。一旦训练完成，较长的训练数据集时间序列将被丢弃。模型只能依赖回看窗口信息进行推理，这阻碍了模型从全局角度分析时间序列。而且Transformers使用的这些窗口非常窄，因为它们必须对其中的每个时间步长进行建模。在这种逐点处理风格下，扩大窗口将迅速耗尽其模型容量。对于细粒度时间序列，这导致信息输入和预测输出的瓶颈，这对长期序列预测是致命的。为了克服这个障碍，我们提出了一个全新的方法，利用Transformer的时间序列预测。具体来说，我们分裂成补丁的时间序列的一天和改革逐点逐块处理，这大大提高了Transformers的信息输入和输出。为了进一步帮助模型在推理过程中利用整个训练集的全局信息，我们提取信息，将其存储在时间表示中，并将序列替换为时间表示作为主要建模实体。我们设计的时间建模Transformer -Datemformer在7个真实世界数据集上产生了最先进的精度，相对提高了33.6%，并将最大预测范围扩展到半年。
2023-02-21 cs.AI cs.LG
Deep Baseline Network for Time Series Modeling and Anomaly Detection
Alibaba Group（阿里巴巴集团）
近年来，深度学习在时间序列中的应用越来越多。对于时间序列异常检测场景，如金融、物联网、数据中心运营等，时间序列通常显示出非常灵活的基线，这取决于各种外部因素。异常现象通过远离基线而显露出来。然而，检测并不总是容易的，由于一些挑战，包括基线偏移，缺乏标签，噪声干扰，流数据中的实时的检测，结果的可解释性等，在本文中，我们开发了一种新的深度架构，以正确地提取基线的时间序列，即深度基线网络（DBLN）。通过使用这种深度网络，我们可以轻松地定位基线位置，然后提供可靠和可解释的异常检测结果。在合成数据集和公开真实数据集上的实验结果表明，与现有方法相比，该算法具有更好的性能，具有良好的实际应用价值。
2022-10-09 cs.LG
PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting
Fudan University（复旦大学）；Beihang University（北航）；Beijing University of Posts and Telecommunications（北京邮电大学）
PAMod通过相幅调制在归一化特征空间中建模周期性分布位移，解决非平稳时间序列预测中的均值和方差变化问题，实现高效且低资源的高性能预测。
2026-05-01 cs.AI cs.LG
Estimating the turning point location in shifted exponential model of time series
将时间序列的转折点位置的分布建模为确定性趋势加随机噪声之和。如果变量是由移位指数，其位置参数定义的趋势建模，我们提供了一个公式计算的转折点位置的分布，从而估计一个置信区间的位置。我们测试这个公式在模拟的数据系列具有不对称的最小值的趋势，调查的覆盖率作为带宽参数的函数。该方法被应用于估计RT间期的时间序列的最小位置的置信区间，该RT间期从运动试验期间记录的心电图中提取。我们讨论与随机序的联系。
2016-02-17 stat.ME
Modeling of Volatility with Non-linear Time Series Model
本文利用非线性时间序列模型来描述金融时间序列数据的波动性。为了描述波动性，将两个非线性时间序列组合成具有非对称条件异方差误差项的门限自回归模型（TAR），并对其参数估计进行了研究。
2014-07-03 math.PR math.ST q-fin.ST
Rejoinder to "Feature Matching in Time Series Modeling"
对Y.“时间序列建模中的特征匹配”一文的反驳。Xia和H. Tong [arXiv：1104.3073]
2012-01-06 stat.ME
Time Series Analysis and Modeling to Forecast: a Survey
Nantes University（南特大学）
用于预测目的的时间序列建模多年来一直是机器学习的一个活跃的研究领域。然而，迄今为止没有提供足够全面的实质性调查。本调查旨在满足这一需求。本汇编各部分采用了统一的格式。红色的线引导读者从时间序列预处理到预测。时间序列分解是一项主要的预处理任务，将非平稳效应（确定性成分）与假定为平稳的剩余随机成分分离。确定性成分是可预测的，并通过估计或外推有助于预测。将最合适的模型拟合到剩余的随机分量旨在捕获过去和未来值之间的关系，以允许预测。我们涵盖了足够广泛的模型，同时提供了大量的方法发展。我们描述了三个主要的线性参数模型，以及两个非线性扩展，并提出了五类非线性参数模型。除了传统的统计模型，我们强调了六类适用于非线性框架中时间序列预测的深度神经网络。最后，我们启发了新的研究途径的时间序列建模和预测。我们还报告软件公开提供的模型。
2021-09-26 cs.AI cs.LG
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv：1104.3073]
2012-01-06 stat.ME
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv：1104.3073]
2012-01-06 stat.ME
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv：1104.3073]
2012-01-06 stat.ME
Discussion of "Feature Matching in Time Series Modeling" by Y. Xia and H. Tong
对Y. Xia和H. Tong [arXiv：1104.3073]
2012-01-06 stat.ME
Time series modeling by a regression approach based on a latent process
Compiègne University of Technology（贡比涅技术大学）；French National Institute for Transport and Safety Research (INRETS)（法国国家运输与安全研究所（INRETS））
时间序列用于许多领域，包括金融、工程、经济和生物信息学，通常用于表示测量随时间的变化。然后，可以使用建模技术来给出这种数据的合成表示。提出了一种新的时间序列建模方法。它包括一个回归模型，其中包含一个离散的隐藏逻辑过程，允许平滑或突然激活不同的多项式回归模型。通过专用期望最大化（EM）算法执行的极大似然方法估计模型参数。期望最大化算法的M步使用多类迭代重加权最小二乘（IRLS）算法来估计隐藏的过程参数。为了评估所提出的方法，模拟数据和真实世界的数据进行了实验研究，使用两种替代方法：异方差分段回归模型，使用基于动态规划的全局优化算法，和隐马尔可夫回归模型，其参数估计的鲍姆-韦尔奇算法。最后，在法国铁路基础设施的组件的远程监控的背景下，更特别的开关机制，所提出的方法已被应用到建模和分类的时间序列表示在开关操作过程中获得的条件测量。
2013-12-25 cs.LG math.ST stat.ME
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
Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework
在电力系统规划和运行决策中，高精度的电力需求区间预测是通过提供范围而不是点估计来成功降低风险的基础。在这项研究中，一种新的建模框架集成双变量经验模式分解（BEMD）和支持向量回归（SVR），扩展了成熟的经验模式分解（EMD）为基础的时间序列建模框架的能源需求预测文献，提出了电力需求的区间预测。本研究的新颖性来自就业BEMD，一个新的扩展经典经验模型分解（EMD）注定要处理二元时间序列作为复值时间序列，作为分解方法，而不是经典的EMD只能分解一维单值时间序列。该建模框架被赋予BEMD同时分解的下限和上限的时间序列，构建在复值时间序列的形式，电力需求每月每小时的基础上，从而捕捉潜在的相互关系的下限和上限。建议的建模框架是合理的，每月间隔值的电力需求数据每小时在宾夕法尼亚州新泽西州马里兰州互联，表明它是一个很有前途的方法，区间值的电力需求预测。
2014-06-15 cs.LG stat.AP
A Robust Method for Shift Detection in Time Series
本文提出了一种基于双样本Hodges-Lehmann估计的时间序列变点稳健检验方法。在短相依观测的情况下，我们发展了一类基于双样本U-分位数过程的统计量的新极限理论。利用这一理论，我们可以推导出在原假设下检验统计量的渐近分布。我们研究了有限样本的性质，我们的测试通过模拟研究，并比较了经典的CumberUM测试和基于Wilcoxon-Mann-Whitney统计量的测试。
2019-05-16 math.ST stat.TH
SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction
The Chinese University of Hong Kong（香港中文大学）
时间序列的一个独特性质是，在下采样为两个子序列之后，时间关系在很大程度上被保留。通过利用这一特性，我们提出了一种新的神经网络架构，进行样本卷积和交互的时间建模和预测，命名为SCINet。具体来说，SCINet是一个递归的下采样-卷积-交互架构。在每一层中，我们使用多个卷积滤波器从下采样的子序列或特征中提取独特而有价值的时间特征。通过结合这些从多个分辨率聚合的丰富特征，SCINet有效地对具有复杂时间动态的时间序列进行建模。实验结果表明，SCINet在各种真实世界时间序列预测数据集上，与现有的卷积模型和基于Transformer的解决方案相比，预测准确性得到了显着提高。我们的代码和数据可在https://github.com/cure-lab/SCINet上获得。
2022-10-13 cs.AI cs.LG
Context-Aware Probabilistic Modeling with LLM for Multimodal Time Series Forecasting
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对现有多模态时间序列预测方法难以融合外源文本、适配LLM概率特性的问题，提出CAPTime方法，通过时序编码、文本-时序对齐及分布专家混合与冻结LLM结合，实现更优的上下文感知概率预测效果与数据稀缺场景鲁棒性。
2025-07-29 cs.AI cs.LG
COPAR - Multivariate time series modeling using the COPula AutoRegressive model
多元时间序列分析是金融、经济等领域的一个常见问题。用于此目的的经典工具是向量自回归模型。然而，这些仅限于线性和对称依赖的建模。我们提出了一种新的基于Copula的模型，它允许非线性和非对称建模的串行以及系列之间的依赖关系。该模型充分利用了仅由二元连接函数建立的藤连接函数的灵活性。我们描述了新模型的统计推断技术，并在三个相关的应用中证明了它的实用性：我们分析了宏观经济指标的时间序列，电力负荷需求和债券投资组合的回报。
2012-04-04 stat.ME
Joint Modeling of Multiple Related Time Series via the Beta Process
我们提出了一个贝叶斯非参数方法来联合建模多个相关的时间序列的问题。我们的方法是基于一组潜在的，共享的动力学行为的发现。使用beta过程先验，集合的大小和共享模式都是从数据中推断出来的。我们开发了有效的马尔可夫链蒙特卡罗方法的基础上，印度自助餐过程表示的预测分布的β过程，而不依赖于截断模型。特别是，我们的方法使用的和-积算法来有效地计算大都会黑斯廷斯接受概率，并通过出生和死亡的建议，探索新的动力学行为。我们研究了我们提出的基于特征的模型在几个合成数据集上的好处，并在视觉运动捕捉数据的无监督分割上展示了有希望的结果。
2011-11-17 stat.ME stat.ML
Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling
MoE Key Lab of Artificial Intelligence（人工智能大规模并行计算实验室）；AI Institute（人工智能研究院）；School of Computer Science（计算机科学学院）；Shanghai Jiao Tong University（上海交通大学）
提出Unicorn框架，通过潜在原型码本解耦相关性建模与特定通道身份，实现跨异构数据集的可扩展多数据集预训练，在少样本迁移场景中显著优于现有模型。
2026-05-26 cs.AI cs.LG
Inner-Instance Normalization for Time Series Forecasting
Department of Physics, J.K. Institute of Science（J.K.科学研究院物理系）；School of Science, Harbin Institute of Technology（哈尔滨工业大学科学学院）；School of Science, Great Bay University（大湾大学科学学院）；University of Intelligent Studies（智能研究大学）
针对时间序列预测中的实例内分布偏移问题，提出LD和LCD两种点级归一化方法，通过拟合内部分布或预测缩放系数，在公开基准上验证了其有效性。
2025-10-09 cs.AI cs.LG
The Shift Operator Calculus for Stationary Time Series Analysis
National Institute of Advanced Studies, Manipal Academy of Higher Education（高等研究院，马匹尔高等教育学院）；Department of Mathematics, Indian Institute of Science（数学系，印度科学学院）
本文为平稳时间序列建模建立了严格的移位算子演算，证明了不同函数族下转移函数算子的存在性和等距性，并统一了平稳过程可逆性与转移函数算子可逆性的概念。
2026-06-19 math.FA math.ST stat.TH
LAST SToP For Modeling Asynchronous Time Series
RBC Borealis（加拿大皇家银行博雷亚利斯公司）；Vector Institute（矢量研究所）
本文提出LAST SToP方法，通过利用事件自然语言描述和随机软提示微调机制，使大型语言模型在异步时间序列的预测、异常检测和数据填补等任务上取得最先进性能。
2025-02-04 cs.AI cs.LG
Modeling Multiple Irregularly Spaced Financial Time Series
本文通过修改规则间隔的随机波动率模型，提出了适用于不规则间隔金融时间序列的单变量及多元随机波动率模型，并利用 WRDS 的 TAQ 数据库中的医疗板块股票日内对数收益率进行了建模应用。
2023-05-24 stat.AP
High dimensional regression for regenerative time-series: an application to road traffic modeling
一个统计预测模型，其中一个高维时间序列再生在每天结束时被用来模拟道路交通。由于再生，预测是基于使用向量自回归模型的每日建模，该模型线性组合了当天的过去观测。由于高维，学习算法遵循回归系数的L1惩罚。在路段数随观测天数趋于无穷大的高维框架下建立了超额风险边界。考虑到浮动汽车在城市地区观察到的数据，该方法相比，国家的最先进的方法，包括神经网络。除了在预测方面具有很强的竞争力外，它还可以识别道路网络中最具决定性的路段。
2021-01-26 math.ST stat.ML stat.TH
Linear, Machine Learning and Probabilistic Approaches for Time Series Analysis
Ivan Franko National University of Lviv（利沃夫伊万·弗兰科国立大学）
在本文中，我们研究了时间序列建模的不同方法。介绍了线性模型、ARIMA算法、XGBoost机器学习算法的预测方法。显示了不同模型组合的结果。对于概率建模的方法，使用Copula和贝叶斯推断被认为是。
2017-02-26 cs.LG stat.AP stat.ME
