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
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
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
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
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
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
An Adaptive Deep Learning Framework for Day-ahead Forecasting of Photovoltaic Power Generation
Peng Cheng Laboratory（鹏城实验室）；Southern University of Science and Technology（南方科技大学）
光伏发电（PVPG）的准确预测对于优化能源供需之间的运营至关重要。最近，传感器和智能仪表的普及产生了大量的数据，这支持了基于数据的PVPG预测的发展。虽然新兴的深度学习（DL）模型，例如基于历史数据的长短期记忆（LSTM）模型，为PVPG预测提供了有效的解决方案，并取得了巨大的成功，但这些模型利用了离线学习。因此，DL模型无法利用从新到达的数据中学习的机会，并且无法处理由安装额外的PV单元和不可预见的PV单元故障引起的概念漂移。因此，为了提高日前PVPG预测精度，同时消除概念漂移的影响，本文提出了一种自适应LSTM（AD-LSTM）模型，这是一种DL框架，不仅可以从历史数据中获取一般知识，还可以从新到达的数据中动态学习特定知识。将两阶段自适应学习策略（TP-ALS）集成到AD-LSTM中，并提出了一种滑动窗口（SDWIN）算法，以检测PV系统中的概念漂移。利用光伏系统的多个数据集来评估所提出的方法的可行性和有效性。开发的AD-LSTM模型比离线LSTM模型具有更强的预测能力，特别是在存在概念漂移的情况下。此外，与文献中的其他传统机器学习模型和统计模型相比，所提出的AD-LSTM模型在日前PVPG预测方面也具有优异的性能。
2021-09-28 cs.AI cs.LG physics.comp-ph
An Adaptive Framework for Autoregressive Forecasting in CFD Using Hybrid Modal Decomposition and Deep Learning
本文提出首个完全数据驱动的自适应框架，通过交替进行深度学习预测与CFD数据再训练来稳定自回归预测，在层流到湍流三种流态中实现30%至95%的计算成本降低。
2025-05-02 cs.AI physics.flu-dyn
EventTSF: Event-Aware Non-Stationary Time Series Forecasting
Griffith University, Australia（澳大利亚格里菲斯大学）；Xidian University, China（西安电子科技大学）；Yunnan University, China（云南大学）；Microsoft Research Asia, China（微软亚洲研究院）
本文提出EventTSF框架，通过分步扩散整合时间序列与文本事件，解决非平稳时间序列预测中的多模态交互问题，实验显示在7个数据集上优于12个基线模型。
2026-05-10 cs.AI cs.LG
Deep Frequency Derivative Learning for Non-stationary Time Series Forecasting
University of Oxford（牛津大学）；Beijing Institute of Technology（北京理工大学）；Jilin University（吉林大学）；Chinese Academy of Science（中国科学院）；Tongji University（同济大学）；Hefei University of Technology（合肥工业大学）
针对非平稳时间序列预测中的分布偏移问题，本文提出深度频率导数学习框架DERITS，通过频率导数变换、阶数自适应傅里叶卷积网络和并行堆叠架构，实现更平稳的频率表示与自适应频率学习，在多个数据集上取得一致优越的预测性能。
2024-06-29 cs.AI cs.LG
Differential Convolutional Fuzzy Time Series Forecasting
University of Electronic Science and Technology of China（电子科技大学）；Huawei Cloud（华为云）；China Mobile Information Technology Center（中国移动信息技术中心）；Vanderbilt University（范德堡大学）
针对传统模糊时间序列预测无法识别未定义特征、非平稳序列预测效果差的问题，提出结合卷积神经网络与差分算法的DFCNN模型，可扩展模糊规则长度、削弱序列非平稳性，预测性能优于现有方法，为FTSF改进提供新思路。
2023-07-27 cs.AI cs.LG
Parametric Prior Mapping Framework for Non-stationary Probabilistic Time Series Forecasting
School of Computer Science and Engineering（计算机科学与工程学院）
提出参数先验映射（PPM）框架，通过将参数化结构先验注入生成模型，结合混合目标训练，在非平稳概率多变量时间序列预测中实现精度与计算效率的平衡。
2026-05-22 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
Non-stationary Diffusion For Probabilistic Time Series Forecasting
Central South University（中南大学）
本文提出非平稳扩散模型，通过改进噪声模型以适应时间变化的不确定性，提升时间序列预测性能。
2026-04-12 cs.AI cs.LG
Non-Stationary Time Series Forecasting Based on Fourier Analysis and Cross Attention Mechanism
College of Electronics and Information Engineering , Shenzhen University（电子信息工程学院，深圳大学）
针对非平稳时间序列中统计特征随时间变化的问题，本文提出 AEFIN 框架，融合交叉注意力、傅里叶分析网络、MLP 与多域约束损失，提升预测精度与鲁棒性。
2025-05-11 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
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
Towards Non-Stationary Time Series Forecasting with Temporal Stabilization and Frequency Differencing
DTAF通过时域稳定化与频域差分方法，提升非平稳时间序列预测的鲁棒性和准确性。
2025-11-27 cs.LG
Wavelet-based Disentangled Adaptive Normalization for Non-stationary Times Series Forecasting
Tsinghua University（清华大学）；Huawei Technologies（华为技术有限公司）
针对非平稳时间序列多成分特性被忽视的问题，提出与模型无关的WDAN框架，利用小波分解并分别归一化趋势与波动，实验表明其可跨骨干模型持续提升预测精度。
2025-06-06 cs.LG
Considering Nonstationary within Multivariate Time Series with Variational Hierarchical Transformer for Forecasting
National Laboratory of Radar Signal Processing（雷达信号处理国家重点实验室）；Xidian University（西安电子科技大学）
针对现有多变量时间序列预测方法忽略固有非平稳性、缺乏随机性的问题，提出融合层次概率生成模块与Transformer的HTV-Trans模型，有效提升预测性能。
2024-03-08 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
DynaConF: Dynamic Forecasting of Non-Stationary Time Series
Borealis AI（博雷尔 AI）
本文提出DynaConF方法，通过解耦平稳条件分布建模与非平稳动态建模，结合贝叶斯动态模型和分解输出空间的深度条件分布模型，提升对非平稳多元时间序列的预测适应能力。
2024-02-24 cs.LG stat.ML
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
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
Forecasting in Offline Reinforcement Learning for Non-stationary Environments
Bogazici University（博科西大学）；University of Tübingen（图宾根大学）；Ozyegin University（奥祖根大学）；Osaka University（大阪大学）
非平稳环境下的离线强化学习预测框架FORL，通过结合条件扩散和零样本时间序列模型，提升智能体在非平稳环境中的鲁棒性与性能。
2025-12-27 cs.AI cs.LG cs.RO
TimeCatcher: A Variational Framework for Volatility-Aware Forecasting of Non-Stationary Time Series
University of Electronic Science and Technology of China（电子科学与技术大学）；Shenzhen Institute for Advanced Study, UESTC（深圳先进研究 institute, UESTC）
TimeCatcher通过变分编码器和波动感知增强机制，提升非平稳时间序列的长期预测性能。
2026-01-28 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
TimeES: Probabilistic and Deterministic Time Series Forecasting via Evolutionary Spectra
针对非平稳时间序列，提出基于演化谱理论的TimeES框架，通过可参数化演化谱和复杂度降低，实现高效且可解释的概率与确定性预测，并达到最优性能。
2026-10-15 cs.AI cs.LG
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
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
Challenges of Explainability in Continual Learning for Time Series Forecasting
研究时间序列预测持续学习中的可解释性挑战，利用经验回放策略，通过神经预测架构和基于注意力的采样机制，借助注意力展开和梯度归因方法分析行为，实验表明可揭示归因模式演变及为非平稳预测提供策略参考。
2026-07-23 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
Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting
Tsinghua University（清华大学）
本文提出Non-stationary Transformers框架，通过Series Stationarization和De-stationary Attention两个模块解决过度平稳化问题，在提升序列可预测性的同时恢复非平稳信息，大幅降低了主流模型的MSE并达到SOTA。
2023-11-24 cs.LG eess.SP
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
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
TwinS: Revisiting Non-Stationarity in Multivariate Time Series Forecasting
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Squirrel AI（松鼠AI）；Beijing Institute of Technology（北京理工大学）；Chongqing University（重庆大学）
针对多元时间序列非平稳分布包含嵌套周期等三类特征的问题，提出含三个模块的Transformer-based TwinS模型，在主流基准上取得SOTA性能，MSE较PatchTST最大提升25.8%。
2024-07-14 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
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
Theory and Algorithms for Forecasting Time Series
Google Research（谷歌研究院）；Courant Institute（库朗研究所）
我们提出了非平稳非混合随机过程的一般情况下的数据依赖的学习界。我们的学习保证表示在一个依赖于数据的顺序复杂性的措施和差异的措施，可以从一些温和的假设下的数据估计。我们还提供了新的分析稳定的时间序列预测算法使用这个新的概念，我们引入的差异。我们使用我们的学习界限来设计非平稳时间序列预测的新算法，并报告了一些初步的实验结果。
2018-03-15 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
Adaptive Sampling for Probabilistic Forecasting under Distribution Shift
Carnegie Mellon University（卡内基梅隆大学）；AWS AI Labs（亚马逊云科技人工智能实验室）；D2S Inc.（D2S公司）
世界不是静止的：这导致真实世界的时间序列随着时间的推移而发生变化，例如宏观经济周期或COVID-19大流行等外部和潜在的破坏性事件。我们提出了一种自适应采样策略，选择的时间序列的历史，是相关的预测的一部分。我们通过贝叶斯优化在相关时间步长上学习离散分布来实现这一点。我们用一个两步方法来实例化这个想法，该方法用均匀采样进行预训练，然后用自适应采样训练一个轻量级的自适应架构。我们用合成和真实世界的实验表明，该方法适应分布偏移，并显着减少了五个数据集的三个基础模型的预测误差。
2023-02-23 cs.LG
GBT: Two-stage transformer framework for non-stationary time series forecasting
Beihang University（北京航空航天大学）
针对 TSFT 解码器输入初始化不当导致的非平稳序列过拟合问题，提出两阶段 GBT 框架及误差分数修正模块，以更低复杂度取得优于多种 SOTA 模型的效果。
2023-07-17 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
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
