Hierarchical Ensemble-Based Feature Selection for Time Series Forecasting
Bilkent University（比尔肯特大学）
针对非平稳、少样本高维特征的时间序列预测场景，提出基于分层堆叠的集成特征选择方法，利用分层结构挖掘特征依赖以优化损失，在多数据集上实现性能提升并开源代码。
2024-10-04 cs.LG
Spectral Predictability as a Fast Reliability Indicator for Time Series Forecasting Model Selection
Electrical and Computer Engineering University of California, Los Angeles（电气与计算机工程大学加州大学洛杉矶分校）
针对时间序列预测模型选择的计算困境，提出用谱可预测性Ω快速分层模型性能，通过多领域实验及GIFT-Eval基准分析，发现高Ω时TSFMs优于轻量基线、低Ω时优势消失，为模型选择提供低成本过滤指标。
2025-11-12 cs.LG
Model Selection for Time Series Forecasting: Empirical Analysis of Different Estimators
Dalhousie University（达尔豪斯大学）；Fraunhofer AICOS（弗劳恩霍夫应用信息技术与通信系统研究所）；INESC TEC（葡萄牙工程技术与科学研究中心）；University of Porto（波尔图大学）
评估预测模型是预测分析中的一项重要任务。对于观测值显示时间依赖性的时间序列数据，该过程尤其具有挑战性。几项研究分析了不同的性能估计方法如何相互比较，以近似给定预测模型所产生的真实损失。然而，这些研究并没有解决估计量如何进行模型选择：从一组替代方案中选择最佳解决方案的能力。我们解决这个问题，并比较了一组估计方法的模型选择在时间序列预测任务。我们试图回答两个主要问题：（i）估计器选择最佳可能模型的频率;以及（ii）当它不选择时，性能损失是什么。我们的经验发现，选择最佳解决方案的估计的准确性是低的，整体预测性能损失与模型选择过程的范围从1.2%到2.3%。我们还发现，一些因素，如样本量，是重要的估计的相对性能。
2022-02-11 cs.LG stat.ML
AutoXPCR: Automated Multi-Objective Model Selection for Time Series Forecasting
Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；TU Dortmund University（多特蒙德工业大学）
本文提出AutoXPCR，一种基于元学习的自动化多目标模型选择方法，在时间序列预测中兼顾预测误差、复杂度和资源需求，并在114个数据集上以20%计算成本达到90%最佳质量。
2023-12-20 cs.LG
Model selection in reconciling hierarchical time series
Monash University（蒙纳士大学）；National Technical University of Athens（雅典国家技术大学）
模型选择已被证明是提高时间序列预测精度的有效策略。然而，在处理分层时间序列时，除了选择最合适的预测模型外，预测者还必须选择合适的方法来协调为每个序列产生的基本预测，以确保它们是连贯的。虽然一些分层预测方法，如最小跟踪，在理论和经验上都得到了有力的支持，以协调基本预测，但在某些情况下，它们可能不会产生最准确的结果，被其他方法超越。在本文中，我们提出了一种方法，动态选择最合适的层次预测方法，并取得更好的预测精度以及一致性。该方法，被称为有条件的层次预测，是基于机器学习分类方法，并使用时间序列的功能作为领先的指标进行选择，考虑到各种替代品的每一个层次。我们的研究结果表明，条件层次预测导致更准确的预测比标准的方法，特别是在较低的层次。
2020-10-29 cs.LG stat.ML
Numerical weather prediction or stochastic modeling: an objective criterion of choice for the global radiation forecasting
University of Corsica（科西嘉大学）；Hospital of Castelluccio（卡斯泰卢乔医院）；Galatasaray University（加拉塔萨雷大学）；University HouaryBoumédiène（胡阿里·布迈丁大学）
全球辐射预报存在并发展了许多方法。两种最流行的类型是数值天气预报（NWP）和使用随机方法的预测。我们建议计算一个参数，该参数部分地由互信息构建，互信息是测量两个变量相互依赖的量。这两个计算的目的是建立NWP和随机模型之间更相关的方法，关于当前的问题。
2014-01-22 cs.LG stat.AP
Lag Selection for Univariate Time Series Forecasting using Deep Learning: An Empirical Study
Faculdade de Ciências da Universidade do Porto（波尔图大学理学院）；Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；Laboratory for Artificial Intelligence and Computer Science (LIACC)（人工智能与计算机科学实验室（LIACC））；Fraunhofer Portugal AICOS（弗劳恩霍夫葡萄牙AICOS机构）
本文在含2411条序列的三个基准数据库上实证比较全局深度学习预测中的滞后选择方法，发现滞后大小显著影响精度，交叉验证最佳但简单启发式规则表现相近。
2024-05-18 cs.LG stat.ML
Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting
University of Murcia（穆尔西亚大学）
提出一种嵌入LSTM的多目标进化特征选择方法，通过分区优化和堆叠集成提升泛化能力，并在空气质量数据上验证优于现有方法。
2023-12-29 cs.LG cs.NE
$\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization
Amazon Forecasting Science（亚马逊预测科学）；The Forecasting Company（预测公司）；Peloton Interactive, Inc.（Peloton互动公司）
针对层次化概率预测的相干性与准确性挑战，本文提出CLOVER方法，通过结合MQForecaster与多元高斯因子模型实现构造性相干，并支持任意可微目标优化，在六个数据集上CRPS平均提升15%。
2024-12-21 cs.AI cs.LG
Data Selection for Short Term load forecasting
基于机器学习的电力负荷预测是人工智能的一个比较成熟的应用，在电力系统的运行、控制和规划中是不可缺少的。数据选择技术在此应用中几乎没有使用。然而，使用这样的技术可能是有益的假设，数据是同分布的负荷预测显然是不正确的，但它是循环平稳的。在这项工作中，我们提出了一个全自动的方法来确定什么是最充分的数据训练的预测是基于一个完整的贝叶斯概率模型。我们评估的性能的方法与实验的基础上，真正的公开可用的数据记录在美国的几年。
2019-10-15 cs.AI cs.LG stat.ML
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
Multivariate Time Series Forecasting needs Cross Variable Loss
University of Technology Sydney（悉尼科技大学）；Tsinghua University（清华大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对直接预测范式未显式约束跨变量结构的问题，提出跨变量损失CvLoss作为结构正则化项，可提升多变量时间序列预测模型性能，适配多种骨干网络。
2026-10-27 cs.AI cs.LG
Test-Time Efficient Pretrained Model Portfolios for Time Series Forecasting
Dalle Molle Institute for Artificial Intelligence (IDSIA) - USI/SUPSI, Switzerland（达摩信息技术研究所（IDSIA）- USI/SUPSI，瑞士）；Amazon Web Services（亚马逊网络服务）
本文提出了一种测试时高效的预训练模型组合方法，通过集成或模型选择在时间序列预测中实现高性能，且计算成本更低。
2026-02-11 cs.LG
Forecasting large collections of time series: feature-based methods
University of Science & Technology Beijing（北京科技大学）；Central University of Finance and Economics（中央财经大学）；Beihang University（北京航空航天大学）
本章综述面向大规模时间序列集合预测的两类基于特征的方法——模型选择与模型组合，并结合开源实现介绍相关最新进展。
2023-09-25 cs.LG
When Does Online Adaptation Pay on the Edge? A Leakage-Free Evaluation of Warmup, Learning-Rate Selection, and Resource Trade-offs for Time-Series Forecasting
Keio University（庆应义塾大学）
该研究针对边缘时间序列预测，通过无泄漏评估明确了预热预算、优化器学习率选择等因素对在线自适应收益的影响，提出仅验证的调试流程，为边缘场景的时间序列预测自适应提供了关键指导。
2026-09-02 cs.LG
Empirical Quantitative Analysis of COVID-19 Forecasting Models
University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；Northwestern University Feinberg School of Medicine（西北大学范伯格医学院）
2019冠状病毒病自二零二零年初以来一直是国际关注的突发公共卫生事件。可靠的预测对减少这一疾病的影响至关重要。迄今为止，已经提出了大量不同的预测模型，主要包括统计模型、分区模型和深度学习模型。然而，由于不同地区的经济和政府政策等各种不确定因素，没有一种预测模型似乎对所有情况都是最好的。本文定量分析了美国不同地区在不同预测期内对COVID-19确诊病例和死亡病例的预测，并通过不同的评估指标评估了以下三个维度（改进和变化）对预测性能的相对影响：模型选择，超参数调整和训练所需的时间序列长度。我们发现，如果一个维度带来了更高的性能增益，如果没有很好地调整，它也可能导致更严厉的性能处罚。此外，模型选择是决定预测性能的主导因素。在不同地区的所有预测任务中，它负责最大的改进和最大的性能变化。虽然从业者在实践中可能会执行更复杂的时间序列分析，但如果他们对模型选择等关键决策有足够的洞察力，他们应该能够获得合理的结果。
2021-10-01 cs.LG stat.ML
A Comprehensive Survey of Regression Based Loss Functions for Time Series Forecasting
San José State University（圣何塞州立大学）；Juniper Networks Inc（瞻博网络公司）
时间序列预测由于其在网络使用预测、资源分配、异常检测和预测性维护等方面的广泛应用而成为一个活跃的研究领域。在过去的五年中，许多出版物提出了不同的目标损失函数，以解决的情况下，如有偏数据，长期预测，多重共线性功能，在本文中，我们总结了14个著名的回归损失函数通常用于时间序列预测，并列出了他们的应用程序可以帮助更快，更好的模型收敛的情况。我们还展示了某些类别的损失函数如何在所有数据集上表现良好，并且可以在数据分布未知的情况下被视为基线目标函数。我们的代码可以在GitHub上找到：https://github.com/aryan-jadon/Regression-Loss-Functions-in-Time-Series-Forecasting-Tensorflow。
2022-11-05 cs.AI cs.LG
Dirichlet-Guided Group Forecasting for Alleviating Over-smoothing in Time Series Forecasting
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
针对时间序列预测中的过度平滑问题，提出Dirichlet引导的群体预测（DGF）框架，通过显式建模多个模式条件预测分布及其选择概率的不确定性，并采用Dirichlet引导的分层采样和奖励优化，提升预测的准确性、多样性和动态一致性。
2026-06-09 cs.LG
Beyond Similarity: Coverage-Aware Prompt Selection for Time Series Forecasting with LLMs
Yonsei University（延世大学）
针对基于相似性提示选择导致时间序列预测偏置的问题，提出覆盖感知框架CASP-LLM，通过使用跟踪与饱和门控正则化器（无额外参数）在多数基准上匹配或超越现有方法。
2026-09-22 cs.CL cs.LG
Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting
Department of Statistics University of Connecticut（统计学系 美国康涅狄格大学）；Department of Statistics North Carolina State University（统计学系 北卡罗来纳州立大学）
本文提出一种基于spike-and-slab先验的分层贝叶斯框架，用于线性回归中协变量与滞后误差项的联合选择，并设计两阶段MCMC算法解决高维计算问题，在理论和实际应用中均展现出更高的选择准确性与预测性能。
2025-08-15 cs.LG math.ST stat.ME
Forecasting Method for Grouped Time Series with the Use of k-Means Algorithm
Ryazan State Radio Engineering University（梁赞国立无线电工程学院）；Moscow Technological Institute（莫斯科技术学院）；National Research University Higher School of Economics (HSE)（俄罗斯国家研究型高等经济大学）
研究了利用聚类分析算法对时间序列群进行预测的方法。提出了$K$ -均值算法作为聚类的基本算法。聚类中心的坐标与聚类的质心对应。时间序列的描述，聚类的质心，实现与预测模型的使用。它们是基于严格的二叉树和一个修改的克隆选择算法。借助于这种预测模型，形成分析相关性的可能性。建议对聚类中的私有（个体）时间序列，采用聚类质心时间序列的公共预测模型进行预测。所提出的分组时间序列预测方法的应用前景被证明。
2015-09-15 cs.LG
On model selection for scalable time series forecasting in transport networks
交通文献是密集的短期交通预测，高达1小时的规模，但不太密集的长期交通预测。在城市规模的交通预测方面，交通文献也很少，主要是因为数据可用性低。在这项工作中，我们报告了一项努力，以调查深度学习模型是否可以用于长期的大规模流量预测任务，同时专注于模型的可扩展性。我们调查了一个城市规模的交通数据集，在加利福尼亚州洛杉矶的超级中心，每15分钟收集1098个路段的14周的速度观测。我们研究了各种最先进的机器学习和深度学习预测器，用于基于链接的预测，并研究了这些预测器如何通过聚类和图形卷积方法扩展到更大的区域。我们讨论了将时间和空间特征建模为深度学习预测器可能有助于长期预测，而更简单的，而不是基于深度学习的预测器，对于基于链接的预测和短期预测可以实现非常令人满意的性能。不仅在预测精度与预测范围方面，而且在训练时间和模型大小方面讨论了权衡。
2021-02-18 cs.LG stat.ML
Adaptive Automatic Model Selection for Demand Forecasting under Heterogeneous Demand Patterns
Department of Computer Engineering and Informatics, Faculty of Engineering, University of Santiago of Chile（工程学院计算机工程与信息学系，智利圣塔克鲁斯大学）
本文提出了一种面向 horizon 的决策支持框架，用于在需求波动大、不确定性高的生产计划中选择需求预测模型，通过 MDFH 方法预测误差指标并提出 RMSSEh 和 AHSIV 作为改进的模型选择方法。
2026-06-24 cs.AI cs.LG
Predictive Process Model Monitoring using Recurrent Neural Networks
KU Leuven（鲁汶大学）
预测性流程监控领域关注案例级模型，以预测单个特定结果，例如特定目标、（剩余）时间或下一个活动/剩余序列。最近，一个更长的地平线，模型范围内的方法已被提出的过程模型预测的形式，它预测整个过程模型的未来状态，通过预测的所有活动，活动的关系，一次使用时间序列预测。本文介绍了\emph{predictive process model monitoring}的概念，它位于预测过程监控和过程模型预测的中间。具体地，通过将过程模型建模为随时间推移存在于活动之间的一组约束，与过程模型预测相比，我们可以捕获活动之间的更详细的信息，同时与通常以与这些约束相同的语言表示的典型预测过程监控目标兼容。为了实现这一点，引入了电影处理（PAM），即，一种能够联合挖掘和预测流程执行的各个窗口中的活动之间的声明性流程约束的新技术。PAM预测什么声明性规则适用于跟踪（基于对象），这也支持将所有约束作为一个流程模型（基于模型）一起预测。各种递归神经网络拓扑结构的灵感来自视频分析定制的时间高维输入的过程模型的演变与窗口作为时间步长，包括编码器-解码器长短期记忆网络，和卷积长短期记忆网络。在实际事件日志中获得的结果表明，这些拓扑结构在预测准确性和精度方面是有效的。
2023-01-10 cs.LG
Optimal Look-back Horizon for Time Series Forecasting in Federated Learning
本文提出了一种在联邦学习中通过内在空间公式进行时间序列预测回溯范围选择的原理性框架，通过合成数据生成器和损失分解理论，为适应性回溯范围选择提供了理论支持。
2026-01-04 cs.AI cs.LG
A Hybrid Machine Learning Framework for Optimizing Crop Selection via Agronomic and Economic Forecasting
Department of Artificial Intelligence and Machine Learning（人工智能与机器学习系）；RV College of Engineering（RV工程学院）；Department of Mathematics（数学系）
本文提出一种混合机器学习框架，结合 Random Forest 评估农艺适宜性与 LSTM 预测市场价格，并通过卡纳达语语音界面为低识字农民提供经济优化的作物选择建议，有效降低经济风险。
2025-07-06 cs.LG
Forecasting with Guidance: Representation-Level Supervision for Time Series Forecasting
Xijing University（西安电子科技大学）；Northeastern University（东北大学）
本文提出ReGuider方法，通过预训练时间序列基础模型进行表示级监督，提升时间序列预测的准确性与表现力。
2026-03-25 cs.LG
A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition
Université Libre de Bruxelles（布鲁塞尔自由大学）；Cairo University（开罗大学）
多步预测仍然是时间序列预测中的一个公开挑战。处理这个复杂问题的几种方法已经在文献中提出，但大量的任务上的广泛比较仍然缺失。本文旨在通过回顾现有的多步预测策略，并在理论和实践方面进行比较，以填补这一空白。为了实现这样的目标，我们使用大型实验基准（即NN5预测竞赛的111系列）对这些不同的策略进行了大规模比较。此外，我们考虑了去季节化，输入变量的选择和预测组合对这些策略和多步提前预测的影响。以下三个发现似乎是一致的实验结果支持：多输出策略是最好的表现方法，去季节化导致统一提高预测精度，输入选择是更有效的，当与去季节化一起执行。
2011-08-16 cs.AI cs.LG stat.AP
Beyond Holistic Models: Systematic Component-level Benchmarking of Deep Multivariate Time-Series Forecasting
Shanghai University of Finance and Economics（上海财经大学）；Key Laboratory of Interdisciplinary Research of Computation and Economics（交叉计算与经济学交叉学科实验室）
提出TSCOMP基准，通过正交实验分解深度预测方法的核心组件，揭示其有效性并构建性能语料库，实现零样本模型构建，优于手工复杂架构。
2026-05-26 cs.LG
vLinear: A Powerful Linear Model for Multivariate Time Series Forecasting
State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（人工智能通用基础理论国家重点实验室，智能科学与技术学院，北京大学）
vLinear通过vecTrans模块和WFMLoss目标，实现高效的多变量时间序列预测，提升预测精度并加速推理过程。
2026-01-20 cs.AI cs.LG
Modelling tourism demand to Spain with machine learning techniques. The impact of forecast horizon on model selection
University of Barcelona (UB)（巴塞罗那大学（UB））；Polytechnic University of Catalunya (UPC)（加泰罗尼亚理工大学（UPC））
本研究评估了预测范围对几种机器学习技术预测性能的影响。以线性模型为基准，比较了支持向量回归（SVR）和神经网络（NN）模型的预测精度。我们专注于西班牙所有17个地区的国际旅游需求。具有高斯径向基函数核的SVR在最长的预测范围内优于其他模型。我们还发现，随着预测范围的增加，机器学习方法相对于线性模型提高了它们的预测精度。这一结果表明，支持向量回归机适用于中长期预测。
2018-05-02 cs.LG stat.ML
A novel hybrid model based on multi-objective Harris hawks optimization algorithm for daily PM2.5 and PM10 forecasting
School of Statistics, Dongbei University of Finance and Economics（东北财经大学统计学院）
严重的空气污染可能会严重影响人们的生活环境，甚至危及他们的生命。为了降低大气污染物浓度，并在有害空气污染物发生前向公众发出预警，迫切需要设计一种准确可靠的大气污染物预报模式。然而，以往的研究大多存在着忽视预测稳定性的重要性、初始参数选取不当等不足，这些都严重影响了空气污染预测的效果。因此，为了解决这些问题，在这项研究中提出了一种新的混合模型。具体地说，采用了一种强大的数据预处理技术，将原始时间序列从低频到高频分解成不同的模式。其次，本文提出了一种新的多目标优化算法MOHHO，并将其引入ELM模型参数的整定中，使ELM模型的参数整定具有较高的预报精度和稳定性，并用于大气污染序列的预报。并利用优化后的ELM模型进行时间序列预测。最后，设计了一个科学的、稳健的评价体系，包括误差准则、基准模型和实验，并利用中国3个城市的6个空气污染物浓度时间序列对所提出的混合预测模型进行了综合评价。实验结果表明，该混合模型具有较好的稳定性和较高的预测性能，其优越的预测能力有助于制定有效的空气污染物排放计划，预防空气污染引起的健康问题。
2019-05-30 cs.LG eess.SP stat.AP
Dimensionality Collapse: Optimal Measurement Selection for Low-Error Infinite-Horizon Forecasting
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文针对向量值时间序列的远期预测问题，提出以预测 CRLB 时间平均迹为代价的无限时域最优线性测量选择方法，并利用系统未来维度坍缩特性构造等价降维问题，在仿真中验证了 CRLB 随坍缩维数线性改善。
2023-03-27 cs.LG cs.SY eess.SP
Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting
University of Washington（华盛顿大学）；Arizona State University（亚利桑那州立大学）
本文提出FreST损失，通过联合频域学习有效消除时空依赖，提升时空预测性能。
2026-02-13 cs.AI cs.LG stat.ML
Deep Time Series Forecasting with Shape and Temporal Criteria
研究了具有突变性的非平稳信号的多步时间序列预测问题。目前最先进的深度学习预测方法通常使用MSE的变体进行训练，缺乏在确定性和概率性背景下提供准确预测的能力。为了应对这些挑战，我们建议在深度模型的训练目标中加入形状和时间标准。我们定义形状和时间的相似性和相异性，基于动态时间规整（DTW）和时间失真指数（TDI）的平滑松弛，从而能够构建可微损失函数和半正定（PSD）内核。有了这些工具，我们介绍DILATE（失真损失，包括shApe和TimE），确定性预测的一个新目标，明确纳入了两个术语支持精确的形状和时间变化检测。对于概率预测，我们引入了STRIPE++（形状和时间多样性的概率预测），一个框架，提供了一组尖锐的和多样化的预测，其中结构化的形状和时间多样性与决定点过程（DPP）的多样性损失。对合成和真实世界数据集的广泛实验和消融研究证实了在时间序列预测中利用形状和时间特征的好处。
2022-02-17 cs.AI cs.LG stat.ML
Fuzzy-MoE: Interpretable Regime-Conditioned Expert Routing for Non-Stationary Multivariate Time Series Forecasting
本文提出Fuzzy-MoE模型，通过双视图模糊路由器实现可解释专家路由，在非平稳多元时间序列预测中显著优于主流方法，同时具备透明可追溯的机制。
2026-08-24 cs.AI cs.LG
Benchmarking AI-based data assimilation to advance data-driven global weather forecasting
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出DABench基准测试，用于评估AI基于的数据同化方法，展示其在提升全球天气预报准确性方面的竞争力。
2026-02-16 cs.CV cs.LG physics.ao-ph
Learning to Select the Best Forecasting Tasks for Clinical Outcome Prediction
Google（谷歌公司）
提出一种元学习自监督患者轨迹预测学习规则的方法，通过优化表征在临床结局预测中的效用，在MIMIC-III数据集上验证了其在低资源下优于直接监督学习和全观测预训练。
2024-07-28 cs.AI cs.LG
A Hybrid Model for Forecasting Short-Term Electricity Demand
Birkbeck - University of London（伦敦大学伯贝克学院）
目前，英国电力市场由监管机构每30分钟发布的负荷（需求）预测指导。预测需求的一个关键因素是天气状况，天气预报每小时发布一次。我们介绍HYENA：一种混合预测模型，它结合了特征工程（候选预测器特征的选择），移动窗口预测器和最后的LSTM编码器-解码器，以实现相对于文献中主流模型的更高准确性。HYENA在最佳基准模型上将MAPE损失降低了16%，RMSE损失降低了10%，从而为英国电力负荷（和电价）预测建立了一个新的技术水平。
2022-05-20 cs.AI cs.LG
Forecasting with Multiple Seasonality
University of Minnesota Twin Cities（明尼苏达大学双城分校）
一个新兴的现代应用涉及预测时间序列数据，表现出短期动态和长期的季节性。具体而言，具有多个季节性的时间序列是一项困难的任务，讨论相对较少。在本文中，我们提出了一个两阶段的方法，时间序列的多个季节性，它不需要预先确定的季节周期。在第一阶段，我们推广了经典的季节自回归移动平均（ARMA）模型在多季节性制度。在第二阶段，我们利用一个适当的标准，滞后顺序选择。模拟和实证研究表明，我们的方法具有良好的预测性能，特别是与最近流行的“Facebook先知”模型的时间序列。
2020-08-27 cs.LG stat.ML
Asymmetric Peak-Aware Loss for Peak-Critical Time Series Forecasting
Department of Transport and Planning, Faculty of Civil Engineering and Geosciences（交通与规划系，土木与地球科学学院）；Mobility Innovation Centre Delft University of Technology（代尔夫特理工大学移动创新中心）；Delft University of Technology（代尔夫特理工大学）
针对时间序列预测中预测不足风险高且多数方法忽视峰值预测的问题，提出非对称峰值感知损失APAL，增加对预测不足惩罚及峰值区域训练权重，经评估其能提升尾部准确性和峰值预测质量，平衡总体误差，是实用解决方案。
2026-07-17 cs.AI cs.LG
ROAR: Retrieval Opportunity-Aware Refinement for Zero-Shot Time Series Forecasting
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）；City St George’s, University of London（伦敦大学城圣乔治学院）；Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）
提出检索引导的不变-动态分解框架，通过分离稳定共享结构与实例特定变化，提升时间序列零样本预测在分布偏移下的鲁棒性。
2026-10-09 cs.AI cs.LG
Multi-Task Time Series Forecasting With Shared Attention
George Washington University（乔治华盛顿大学）；Shandong University（山东大学）；Beihang University（北京航空航天大学）
时间序列预测是许多工业和商业决策过程中的关键组成部分，基于递归神经网络（RNN）的模型在各种时间序列预测任务上取得了令人印象深刻的进展。然而，大多数现有的方法都集中在单任务预测问题上，基于有限的监督目标单独学习，这往往会受到训练实例不足的影响。由于Transformer体系结构和其他基于注意力的模型已经证明了其捕获长期依赖性的强大能力，我们提出了两个基于自注意力的多任务时间序列预测共享方案，可以跨多个任务联合进行训练。我们增加了一个序列的一个外部的公共多头注意力功能，这是更新的所有任务的所有数据的并行Transformer编码器。在多个实际多任务时间序列预测任务上的实验表明，我们提出的架构不仅可以优于最先进的单任务预测基线，而且还优于基于RNN的多任务预测方法。
2021-01-24 cs.LG stat.ML
Deep Time-series Forecasting Needs Kernelized Moment Balancing
Xiaohongshu Inc.（小红书公司）；National University of Singapore（新加坡国立大学）；The City University of New York, CUNY（纽约市立大学，CUNY）；State Key Lab of General AI, School of Intelligence Science and Technology, Peking University（人工智能国家重点实验室，北京大学）；Center for Data Science, Peking University（北京大学数据科学中心）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
本文提出KMB-DF方法，通过核化矩平衡提升深度时间序列预测的准确性，实现更全面的分布平衡。
2026-10-15 cs.AI cs.LG
Sibyl: Forecasting Time-Evolving Query Workloads
University of California San Diego（加利福尼亚大学圣迭戈分校）；Microsoft Research（微软研究院）；Microsoft Gray Systems Lab（微软格雷系统实验室）；Microsoft（微软公司）；SmartApps（SmartApps公司）
针对真实生产环境中查询工作负载随时间演变导致历史查询失效的问题，提出基于机器学习的端到端框架SIBYL，利用基于模板的特征化和堆叠LSTM编码器-解码器架构准确预测未来查询，并有效处理工作负载漂移，在真实工作负载上取得87.3%中位F1分数及显著性能提升。
2024-01-08 cs.DB cs.LG
Hierarchical Information-Guided Spatio-Temporal Mamba for Stock Time Series Forecasting
School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）；Institute for Artificial Intelligence（人工智能研究院）；National Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室）
针对股票预测中市场整体动态与个股关联难以兼顾的问题，提出 HIGSTM 框架，通过指数引导频率分解、分层时空建模和宏观信息引导的 Mamba 选择机制，在三个 CSI 数据集上达到最先进性能。
2025-03-14 cs.AI cs.LG
DiffPTS: Rethinking Diffusion ELBO for Probabilistic Time Series Forecasting
DiffPTS通过重新推导位置-尺度噪声模型下的ELBO，提出统一联合训练目标，实现端到端优化，在概率时间序列预测中平均CRPS/MSE降低超14.53%/16.55%。
2026-10-15 cs.AI cs.LG
Spatio-temporal DeepKriging in PyTorch: A Supplementary Application to Precipitation Data for Interpolation and Probabilistic Forecasting
School of Mathematics and Applied Statistics, University of Wollongong, Australia（数学与应用统计学系，沃林戈恩大学，澳大利亚）
本文基于PyTorch平台实现时空深度克里金（STDK）框架，用于欧洲降水数据的插值与多步预测，并提供可复现代码模块，验证了该方法在处理时空不规则性时的预测性能与鲁棒性。
2025-09-16 cs.LG stat.AP
Application of Machine Learning in Stock Market Forecasting: A Case Study of Disney Stock
该研究以迪士尼股票为案例，基于750条记录和16项属性完成EDA、特征工程、数据准备与模型比较，并结合Fama French三因子模型，发现线性回归表现最佳。
2023-12-31 cs.LG q-fin.ST stat.AP
Optimizing accuracy and diversity: a multi-task approach to forecast combinations
National Research Council（国家研究理事会）；Sapienza University of Rome（罗马萨皮恩扎大学）
提出一种基于深度学习架构的多任务优化方法，通过联合选择与组合预测模型，同时考虑准确性和多样性，提升时间序列点预测精度。
2026-05-31 cs.LG math.OC stat.ML
Forecasting Large Realized Covariance Matrices: The Benefits of Factor Models and Shrinkage
Duke University（杜克大学）；State Farm（州立农业保险公司）；The University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Insper（Insper 商学院）
我们提出了一个模型来预测大的已实现的协方差矩阵的回报，将其应用到标准普尔500指数的成分股。为了解决维度灾难，我们使用标准的公司层面因素（例如，规模、价值和盈利能力），并在残差协方差矩阵中使用部门限制。然后使用具有最小绝对收缩和选择算子（LASSO）的向量非均质自回归（VHAR）模型估计该受限模型。相对于标准基准，我们的方法提高了预测精度，并导致更好地估计最小方差投资组合。
2023-03-22 cs.LG econ.EM q-fin.ST
M5 Competition Uncertainty: Overdispersion, distributional forecasting, GAMLSS and beyond
University of Duisburg-Essen（杜伊斯堡-埃森大学）
M5竞争不确定性跟踪旨在对数千种沃尔玛零售商品的销售进行概率预测。我们发现，M5竞争数据面临着强烈的过度分散和零星的需求，特别是零需求。我们讨论了由此产生的建模问题，充分的概率预测，这样的计数数据过程。不幸的是，M5竞赛中使用的大多数流行预测方法（例如lightgbm和xgboost GBM）由于考虑的目标函数而无法解决数据特征。分布式预测为克服这些问题提供了一种合适的建模方法。GAMLSS框架允许使用低维分布进行灵活的概率预测。我们举例说明，如何的GAMLSS方法可以应用于M5竞争数据建模的位置和尺度参数的各种分布，例如，负二项分布。最后，我们讨论了用于分布式建模的软件包及其缺点，如R包gamlss及其包扩展，以及（深度）分布式预测库，如TensorFlow Probability。
2021-11-10 cs.AI cs.LG stat.AP
Intelligent Routing for Sparse Demand Forecasting: A Comparative Evaluation of Selection Strategies
Independent Researcher（独立研究者）
本文提出模型路由器框架，通过比较规则、LightGBM和InceptionTime三种选择策略，为不同需求模式动态分配最优预测模型，在Favorita数据集上实现最高11.8%的NWRMSLE精度提升和4.67倍推理加速。
2025-06-30 cs.LG
Green-NAS: A Global-Scale Multi-Objective Neural Architecture Search for Robust and Efficient Edge-Native Weather Forecasting
University of California, Berkeley（加州大学伯克利分校）；University of Washington（华盛顿大学）；University of Arizona（亚利桑那大学）
Green-NAS通过多目标优化寻找轻量高精度模型，减少计算能耗与碳足迹，提升边缘天气预测的鲁棒性与效率。
2026-02-17 cs.LG
