Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019
TOBB University of Economics and Technology（TOBB经济与技术大学）
金融时间序列预测由于其广泛的应用领域和巨大的影响力，无疑是学术界和金融业金融研究人员的首选计算智能。机器学习（ML）研究人员提出了各种模型，并相应地发表了大量研究。因此，有大量的调查涵盖了ML的金融时间序列预测研究。最近，深度学习（DL）模型开始出现在该领域，其结果显着优于传统的ML同行。尽管人们对开发金融时间序列预测研究模型的兴趣越来越大，但缺乏专门针对金融DL的综述论文。因此，我们在本文中的动机是提供一个全面的文献综述DL研究的金融时间序列预测的实现。我们不仅根据预期的预测实施领域（如指数、外汇、商品预测）对研究进行分类，还根据DL模型选择（如卷积神经网络（CNN）、深度信念网络（DBN）、长短期记忆（LSTM））对研究进行分组。我们还试图通过强调可能的挫折和机遇来展望该领域的未来，以便感兴趣的研究人员能够受益。
2019-11-29 cs.LG q-fin.CP stat.ML
Artificial Intelligence and Statistical Techniques in Short-Term Load Forecasting: A Review
电力公司依赖于短期需求预测，以主动调整生产和分配的预期重大变化。该系统综述分析了2000年至2019年期间发表在学术期刊上的240篇论文，这些论文专注于将人工智能（AI），统计和混合模型应用于短期负荷预测（STLF）。这项工作是迄今为止对这一主题的工作进行的最全面的审查。对文献进行了完整的分析，以确定最流行和最准确的技术以及现有的差距。研究结果表明，尽管人工神经网络（ANN）仍然是最常用的独立技术，但研究人员一直非常倾向于选择不同技术的混合组合，以利用单个方法的综合优势。审查表明，它通常是可能的，这些混合组合，以实现预测精度超过99%。最成功的短期预报持续时间被确定为以小时为间隔的一天的预测。审查发现，在获取培训模型所需的数据集方面存在缺陷。在亚洲、欧洲、北美和澳大利亚以外的研究区域，发现了一个重大差距。
2021-12-29 cs.AI cs.LG eess.SP
Classification of load forecasting studies by forecasting problem to select load forecasting techniques and methodologies
University of Liège（列日大学）
本文的主要贡献是提出了一个分类到两个维度的负荷预测研究，以决定在何种情况下使用哪些预测工具。这一分类旨在按预测问题提供相关预测技术和方法的综合视图。此外，总结了所使用的主要技术和方法的关键原则以及这些论文的评论。分类过程依赖于定义预测问题的两对参数。每一篇文章都使用有关所使用的数据集和实现的预测工具的关键信息进行分类：预测技术（概率或确定性）和方法，数据清洗技术和错误度量。选择本文综述的文章的过程分为两个步骤。首先，建立了一套负荷预测研究的基础上，有关的负荷预测评论和预测比赛。第二步是根据下列标准从这一组研究中选出最相关的研究：对所采用的预测技术和方法的说明的质量、对结果的说明以及贡献。这篇论文可以分两遍读.第一种通过识别感兴趣的预测问题来选择相应的类放入四个分类表之一。每一个都引用了在预测范围内分类的所有文章。他们提供了一个综合的观点，预测工具所使用的文章解决类似的预测问题。然后，由四个表格组成的第二个层次总结了有关预测工具和这些研究结果的关键信息。第二遍是阅读主要技术和方法的关键原则以及文章的评论。
2020-03-18 cs.IR cs.LG stat.ML
A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting
National Technical University of Athens（雅典国立技术大学）；Hellenic Air Force（希腊空军）
概率预报在包括水文学在内的各种应用领域中日益受到重视。几个机器学习概念和方法对于解决形式化和优化概率预测实现的主要挑战以及识别这些实现中最有用的实现的同样重要的挑战是显著相关的。尽管如此，注重实际的审查，这些概念和方法，以及如何可以有效地利用这些在上述基本的努力，目前失踪的概率水文预报文献。尽管在同一文献中，从机器学习中受益的研究工作明显加强，但这种缺乏仍然存在。尽管最近出现了实质性的相关进展，特别是在概率水文后处理领域，传统上为水文学家提供概率水文预报实施，但它也成立。我们的目标是填补这一空白。在我们的审查中，我们强调可以导致有效普及的关键思想和信息，因为这种强调可以支持未来的成功实施和进一步的科学发展。在同一个前瞻性的方向，我们确定开放的研究问题，并提出想法，在未来进行探索。
2022-10-30 cs.LG stat.AP stat.ME
Review of Kernel Learning for Intra-Hour Solar Forecasting with Infrared Sky Images and Cloud Dynamic Feature Extraction
The University of New Mexico（新墨西哥大学）
由光伏系统产生的能量的不确定性导致了有保证的、可靠的能量供应的额外成本（即，能量存储）。本研究旨在通过引入概率多任务小时内太阳能预测（在实时的应用中可行）来增加光伏系统在电网中的渗透率，从而降低额外成本。移动云的方向估计在连续序列的天空图像通过提取云的动态预测的全球太阳辐照度，达到光伏系统的目标的功能。天空图像是使用安装在太阳跟踪器上的低成本红外天空成像仪获得的。太阳预测算法基于核学习方法，以晴空指数作为预测因子，从云层中提取特征作为特征向量。提出的太阳预报算法在15秒的分辨率下提前8分钟达到16.45%的预报精度。与之相比，以往的工作在分辨率为1 min时，预测精度达到15.4%。因此，这种太阳能预测算法提高了相对于最先进技术的性能，为电网运营商提供了管理具有高渗透率的光伏系统的电网的固有不确定性的能力。
2021-10-11 cs.LG eess.IV
An Experimental Review on Deep Learning Architectures for Time Series Forecasting
University of Sevilla（塞维利亚大学）
近年来，深度学习技术在许多机器学习任务中的表现优于传统模型。深度神经网络已成功应用于解决时间序列预测问题，这是数据采掘中一个非常重要的课题。他们已被证明是一个有效的解决方案，因为他们能够自动学习时间序列中存在的时间依赖关系。然而，选择最方便的深度神经网络类型及其参数化是一项复杂的任务，需要相当多的专业知识。因此，有必要更深入地研究所有现有架构对不同预测任务的适用性。在这项工作中，我们面临两个主要挑战：全面回顾使用深度学习进行时间序列预测的最新作品;以及比较最流行架构性能的实验研究。该比较涉及对七种类型的深度学习模型在准确性和效率方面的全面分析。我们评估了在许多不同的架构配置和训练超参数下使用所提出的模型获得的结果的排名和分布。所使用的数据集包括超过50000个时间序列分为12个不同的预测问题。通过在这些数据上训练38000多个模型，我们为时间序列预测提供了最广泛的深度学习研究。在所有研究的模型中，结果表明长短期记忆（LSTM）和卷积网络（CNN）是最好的选择，LSTM获得了最准确的预测。CNN实现了相当的性能，在不同的参数配置下结果的变化较小，同时也更有效。
2021-04-08 cs.AI cs.LG
A Systematic Review for Transformer-based Long-term Series Forecasting
College of Applied Sciences, Shenzhen University（深圳大学应用技术学院）；College of Big Data and Internet, Shenzhen Technology University（深圳技术大学大数据与互联网学院）
本文系统综述了基于Transformer的长期时间序列预测方法，梳理架构变体、数据集与评估指标，总结训练最佳实践，并展望未来研究方向。
2023-10-31 cs.AI cs.LG
A Review of Large Language Models for Stock Price Forecasting from a Hedge-Fund Perspective
Hockaday School（霍卡迪学校）；Lumos Alpha（卢姆斯阿尔法）
本文综述了大型语言模型在股票预测中的应用，包括从新闻和社交媒体提取情绪、分析财务报告和电话会议记录，以及构建多智能体交易系统，并指出实践中常被忽视的问题，如情绪分析的脆弱性、数据集和时间范围设计、性能评估指标、数据泄露、流动性溢价和股价预测的局限性。
2026-04-10 cs.AI cs.LG q-fin.PR
Exploring AI in Fashion: A Review of Aesthetics, Personalization, Virtual Try-On, and Forecasting
本文综述了四个领域的方法、数据集和评估指标，涵盖美观、个性化、虚拟试穿和预测，探讨了技术方法与推荐系统的关系及跨领域依赖，识别了集成AI驱动时尚系统面临的挑战和未来方向。
2026-03-19 cs.CV cs.LG
Large Language Models for Forecasting and Anomaly Detection: A Systematic Literature Review
AT&T Center for Virtualization（AT&T虚拟化中心）；Southern Methodist University（南卫理公会大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Ohio State University（俄亥俄州立大学）；Universidad Internacional Isabel I de Castilla（卡斯蒂利亚伊莎贝尔一世国际大学）；University of Florida（佛罗里达大学）；Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Southern California（南加州大学）
本综述系统考察了大型语言模型在预测和异常检测中的应用，指出了数据依赖、泛化性、幻觉等关键挑战，并提出多模态数据整合与提升可解释性等策略，强调持续创新与跨学科合作的重要性。
2024-02-15 cs.AI cs.LG
Integrating Artificial Intelligence and Geophysical Insights for Earthquake Forecasting: A Cross-Disciplinary Review
University of Science and Technology Beijing（北京科技大学）；Beijing Engineering Research Center of Industrial Spectrum Imaging（北京市工业光谱成像工程研究中心）；New York University Abu Dhabi（纽约大学阿布扎比分校）；Southern University of Science and Technology（南方科技大学）；China University of Geosciences (Beijing)（中国地质大学（北京））
针对地震预测的科学挑战，综述了将人工智能与地球物理洞察融合的跨学科研究，指出整合多源数据与AI技术可克服传统方法局限，强调跨学科合作以开发更优预测工具。
2025-02-10 cs.AI cs.LG physics.geo-ph
Machine Learning for Spatiotemporal Sequence Forecasting: A Survey
The Hong Kong University of Science and Technology（香港科技大学）
时空系统在现实世界中很常见。基于过去的观测数据对这些时空系统的未来进行多步预测，即时空序列预测（STSF），是一个重要而具有挑战性的问题。虽然现实世界中的许多问题都可以被看作是STSF，许多研究工作也提出了基于机器学习的方法来解决这些问题，但还没有一个研究工作从统一的角度对这些方法进行总结和比较。本调查旨在为STSF提供机器学习的系统综述。在本综述中，我们定义了STSF问题，并将其分为三类：运动点云轨迹预测（TF-MPC），规则网格上的STSF（STSF-RG）和不规则网格上的STSF（STSF-IG）。然后，我们介绍了STSF的两个主要挑战：1）如何学习多步预测模型，2）如何充分建模的空间和时间结构。在此之后，我们回顾了现有的工作来解决这些挑战，包括多步预测的一般学习策略，经典的基于机器学习的方法STSF，和基于深度学习的方法STSF。我们还比较了这些方法，并指出了一些潜在的研究方向。
2018-08-21 cs.LG stat.ML
Electrical peak demand forecasting- A review
University of Essex（埃塞克斯大学）；Durham University（杜伦大学）；University College Cork（科克大学学院）
电力系统正在经历快速发展，先进的计量基础设施和本地能源应用（如电动汽车）的推出以及间歇性可再生能源在输配电层面的渗透率不断提高，这使得高峰负荷需求具有更强的随机性和更低的可预测性，因此对电网安全构成威胁。由于储存大量电力以满足负荷需求既不经济也不环保，因此有效的高峰需求管理策略和可靠的高峰负荷预测方法对于优化电力系统运行至关重要。为此，本文提供了一个及时和全面的综述文献中的高峰负荷需求预测方法。据我们所知，这是第一次对这一主题进行全面审查。本文首先给出了高峰负荷需求预测问题的精确而统一的定义。其次，对139篇关于高峰负荷预测方法的文献进行了系统的回顾，按照时间轴的不同，对高峰负荷预测方法进行了分类。再次，对各种高峰负荷预测方法进行了比较分析，并对提高预测性能的优化方法进行了探讨。论文最后对所评论的论文进行了全面总结，并讨论了未来潜在的研究方向。
2021-08-03 cs.AI cs.LG cs.SY
Energy Price Modelling: A Comparative Evaluation of four Generations of Forecasting Methods
Bucharest University of Economic Studies（布加勒斯特经济研究大学）；Humboldt University of Berlin（柏林洪堡大学）；California Institute of Technology（加州理工学院）；Institute for Economic Forecasting, Romanian Academy（罗马尼亚科学院经济预测研究所）
本文系统回顾并实证比较了四代能源价格预测方法，涵盖经济计量模型、机器学习、LSTM及Transformer，利用欧盟市场数据评估预测精度，填补了系统对比的空白。
2024-11-05 cs.LG
Comparative review of hybrid forecasting models for short-term prediction of building thermal load
VIVAVIS Schweiz AG（VIVAVIS瑞士公司）；University of Western Macedonia（西马其顿大学）
本文比较了13种混合预测模型，发现EMD-LSTM-Markov模型在建筑热负荷短期预测中精度最高，但高功率尖峰仍被低估。
2026-10-08 cs.AI cs.LG
A Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and Inference, Second Edition, 2009
Central University of Finance and Economics（中央财经大学）
本文从预测者视角评述 Pearl《因果论》第二版，展示预测场景中的因果推断策略，并探讨时间序列预测中反事实建模、不确定性估计与先验知识融合的益处和挑战。
2023-08-10 cs.LG stat.AP stat.ME
Sales forecasting using WaveNet within the framework of the Kaggle competition
我们参加了在Kaggle上举办的Corporacion Favorita杂货销售预测竞赛，并获得了第二名。在这篇抽象的论文中，我们提出了一个全面的分析和解决方案的基础上的时间序列数据的机器学习问题，其中主要的挑战是确定和相应的初步方法提出。我们的方法是基于适应的扩张卷积神经网络的时间序列预测。通过将该技术迭代地应用于n个示例的批次，最终可以以相当的速度和精度处理大量的时间序列数据。希望本文能在一定程度上作为对时间序列预测基准的回顾和指导，启发进一步的尝试和研究。
2018-03-11 cs.LG
Trend Extrapolation for Technology Forecasting: Leveraging LSTM Neural Networks for Trend Analysis of Space Exploration Vessels
University of Arkansas at Little Rock（阿肯色大学小石城分校）
本文提出结合LSTM神经网络与摩尔定律的模型，用于预测航天器寿命，解决右删失问题以提升技术预测准确性。
2025-12-17 cs.LG
A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
提出无监督深度学习框架CLARM，结合CVAE与LSTM学习加速器中带电粒子时空动力学，实现多模块束流相空间投影生成与未来状态预测。
2024-03-19 cs.CV cs.LG physics.acc-ph
Disease Outbreak Detection and Forecasting: A Review of Methods and Data Sources
York University（约克大学）
本文综述了2015至2022年间利用时间序列数据、传统数据源及社交媒体和互联网数据源进行疾病暴发检测与预测的方法，为公共卫生监测提供系统梳理。
2024-10-21 cs.LG physics.soc-ph q-bio.PE
Challenges and approaches to time-series forecasting in data center telemetry: A Survey
Juniper Networks Inc（瞻博网络公司）
时间序列预测一直是一个重要的研究领域。它的应用包括心电图预测，销售预测，天气状况，甚至COVID-19传播预测。这些应用促使许多研究人员找出一个最佳的预测方法，但建模方法也随着应用领域的变化而变化。这项工作的重点是审查在数据中心收集的遥测数据预测的不同预测方法。遥测数据的预测是网络和数据中心管理产品的关键功能。然而，预测方法有多种选择，从简单的线性统计模型到高容量的深度学习架构。在本文中，我们试图总结和评价的性能，众所周知的时间序列预测技术。我们希望这次评估提供了一个全面的总结，创新的遥测数据的预测方法。
2021-02-11 cs.AI cs.LG cs.NI
Artificial General Intelligence Forecasting and Scenario Analysis: State of the Field, Methodological Gaps, and Strategic Implications
Research Report（研究报告）
本文综述了人工通用智能到来预测方法现状，评估其可靠性，并分析战略与政策影响。指出现有方法局限，提出更稳健预测基础设施的研究方向。
2026-03-24 cs.AI cs.CY cs.ET
A Review of Open Source Software Tools for Time Series Analysis
King Fahd University of Petroleum & Minerals（法赫德国王石油与矿产大学）；Universiti Putra Malaysia（马来西亚博特拉大学）
时间序列数据在现实世界中有广泛的应用。在各种领域中，对时间序列数据的详细分析（通过预测和异常检测）可以更好地理解与特定时间实例相关的事件的行为。时间序列分析（TSA）通常使用图和传统模型进行。另一方面，机器学习（ML）方法在预测和异常检测方面的技术水平有所提高，因为它们在满足时间和数据约束时提供了可比的结果。有许多时间序列工具箱可供使用，为特定模型类（ARIMA/滤波器、神经网络）提供丰富的接口，或为孤立的时间序列建模任务（预测、特征提取、注释、分类）提供框架接口。尽管如此，时间序列的开源机器学习能力仍然有限，现有的库经常彼此不兼容。本文的目标是提供一个简明和用户友好的概述最重要的开源工具的时间序列分析。本文研究了两个相关的工具箱（1）预测和（2）异常检测。本文描述了一个典型的时间序列分析（TSA）框架的体系结构，并列出了TSA框架的主要特点。这些工具根据完成的分析任务、采用的数据准备方法和生成结果的评估方法的标准进行分类。本文提出了定量分析，并讨论了积极开发的开源时间序列分析框架的现状。总体而言，本文考虑了60个时间序列分析工具，其中32个提供预测模块，21个软件包包括异常检测。
2022-03-10 cs.AI cs.LG
Kaggle forecasting competitions: An overlooked learning opportunity
竞赛在预测领域发挥着不可估量的作用，最近的M4竞赛就是一个例证。该竞赛受到了学术界和从业人员的关注，并引发了围绕商业预测数据代表性的讨论。然而，Kaggle平台上的几个以现实商业预测任务为特色的竞赛在很大程度上被学术界忽视了。我们相信从这些比赛中学到的东西对预测社区有很大的帮助，并提供了六个Kaggle比赛结果的回顾。我们发现，大多数Kaggle数据集的特点是更高的一致性和熵比M-竞争，全球集成模型往往优于本地单一模型。此外，我们发现了梯度提升决策树的强大性能，神经网络预测的成功率不断提高，以及各种使机器学习模型适应预测任务的技术。
2020-09-16 cs.LG stat.AP stat.ML
A Systematic Evaluation of Current Architectures in Wind Power Forecasting
本文通过系统文献综述，评估混合深度学习、模态分解和统计方法在风电区间预测中的应用，发现结合VMD或EEMD等分解技术能提高预测精度和可靠性。
2026-06-01 cs.LG
Neural networks for dengue forecasting: a systematic review
Universidade de São Paulo—Campus de São Carlos（圣保罗大学—圣卡洛斯校区）；Harvard T. H. Chan School of Public Health（哈佛T.H.恰克公共卫生学院）
本文系统综述了神经网络在登革热预测中的应用，指出其在预测性能上的竞争力及未来研究方向。
2025-12-17 cs.CY cs.LG
Seq-Flow: Efficient Probabilistic Forecasting with Self-Rollout Error Control
Georgia Institute of Technology（佐治亚理工学院）
Seq-Flow提出一种条件流模型，通过自展开训练控制误差累积，实现少步采样下的高效概率预测，在束流溢出任务中CRPS降低65%。
2026-10-08 cs.LG
AI for Anticipatory Action: Moving Beyond Climate Forecasting
Johns Hopkins University（约翰斯·霍普金斯大学）；Stanford University（斯坦福大学）
本文综述机器学习在灾害预期行动中的应用与挑战，指出其需超越气候预测，服务于脆弱人群影响评估、主动响应与资源分配。
2023-07-28 cs.AI cs.LG stat.AP
Foundation Models and Fine-Tuning: Toward a New Generation of Models for Time Series Forecasting
Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔国立综合理工学院、信息与地理实验室）；Savoye（萨瓦亚）
研究受自然语言处理中大型语言模型突破启发，探讨基础模型用于时间序列预测，回顾其架构、预训练策略等，研究预训练后微调选定基础模型，实证结果表明微调可提高预测精度
2026-07-28 cs.LG
Comparing Time-Series Analysis Approaches Utilized in Research Papers to Forecast COVID-19 Cases in Africa: A Literature Review
Persian Gulf University（波斯湾大学）
本文综述了用于预测非洲新冠疫情病例的时间序列分析方法，评估了不同模型的有效性和局限性，并探讨了未来改进方向。
2026-01-27 cs.LG
Forecasting Transportation Network Speed Using Deep Capsule Networks with Nested LSTM Models
Beihang University（北京航空航天大学）；University of Washington（华盛顿大学）
对复杂交通网络进行准确可靠的交通量预测，对现代交通管理具有重要意义。道路连接的复杂空间依赖性和交通状态的动态时间模式使其特别具有挑战性。为了应对这些挑战，我们提出了一种新的胶囊网络（CapsNet）来提取交通网络的空间特征，并利用嵌套LSTM（NLSTM）结构来捕获交通序列数据中的分层时间依赖关系。通过依次连接CapsNet和NLSTM，提出了一个网络级流量预测框架。在文献综述的基础上，本文首次将CapsNet和NLSTM应用于交通预测领域。在北京市278个路段的交通网络上进行的实验表明，该框架具有捕获复杂时空交通模式的能力，优于多种最先进的交通预测基线模型。通过对实验结果的可视化和定量评价，分别论证了CapsNet和NLSTM的优越性和可行性。
2018-11-01 cs.LG stat.ML
Deep Learning for Time Series Forecasting: The Electric Load Case
Università della Svizzera Italiana（瑞士意大利语区大学）；Politecnico di Milano（米兰理工大学）
智能电网等关键基础设施的管理和高效运营利用了准确的电力负荷预测，由于其非线性性质，这仍然是一项具有挑战性的任务。最近，机器学习领域出现了深度学习，在从图像分类到机器翻译的各种任务中取得了令人印象深刻的性能。深度学习模型在电力负荷预测问题中的应用越来越受到研究人员和行业的关注，但文献中还没有对不同架构进行全面和合理的比较。这项工作旨在通过回顾和实验评估两个真实世界的数据集上的电力负荷预测的最新趋势，通过对比短期预测（提前一天预测）的深度学习架构来填补空白。具体来说，我们专注于前馈和递归神经网络，序列到序列模型和时间卷积神经网络以及架构变体，这是已知的信号处理社区，但新的负荷预测之一。
2019-07-22 cs.LG stat.ML
Deep Learning Techniques in Extreme Weather Events: A Review
India Meteorological Department, Ministry of Earth Sciences（印度地球科学部下属印度气象部门）；Indian Institute of Information Technology, Allahabad（阿拉哈巴德印度信息技术学院）
该综述梳理了深度学习在雷暴、降水、热带气旋等各类极端天气分析与预报中的应用，阐明其捕捉复杂模式的潜力，同时指出现有方法局限与气象学领域未来发展方向。
2023-08-18 cs.LG physics.ao-ph
Power System Parameters Forecasting Using Hilbert-Huang Transform and Machine Learning
Energy Systems Institute, Siberian Branch of Russian Academy of Sciences（俄罗斯科学院西伯利亚分院能源系统研究所）；Institute of Mathematics, Economics and Informatics, Irkutsk State University（伊尔库茨克国立大学数学、经济与信息学研究所）
为了提高非平稳时间序列短期预测研究的效率，提出了一种新的混合数据驱动的电力系统参数预测方法。该方法是基于模式分解和初始回顾数据的特征分析，使用希尔伯特-黄变换和机器学习算法。随机森林和梯度提升树学习技术进行了检查。运用决策树技术对预测模型中变量的重要性进行排序。平均下降基尼指数被用作杂质函数。混合预测模型采用径向基函数神经网络和支持向量回归。除了引言和参考文献外，本文的结构如下。第二部分介绍了电力系统参数短期预测的背景和几种方法的回顾。第三部分提出了一种基于希尔伯特-黄变换的混合机器学习算法用于电力系统参数的短期预测。第四部分介绍了决策树学习算法用于变量重要性问题的研究。最后在第六节中给出了该方法在电力系统中的应用实例：有功潮流预测、电价预测和风速风向预测。
2014-04-09 cs.LG stat.ML
Time-Series Forecasting and Sequence Learning Using Memristor-based Reservoir System
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；University of Baghdad（巴格达大学）
针对边缘设备时间序列本地处理算力与存储不足的问题，提出基于忆阻器的回声状态网络加速器，实现高效时序处理与原位学习，性能下降幅度小，鲁棒性良好，能耗较同节点定制CMOS设计降低247倍。
2024-09-15 cs.AI cs.AR cs.LG
Machine Learning Advances for Time Series Forecasting
São Paulo School of Economics, Getulio Vargas Foundation（圣保罗经济学院，杰图利奥·瓦加斯基金会）；Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）；Getulio Vargas Foundation（杰图利奥·瓦加斯基金会）
在本文中，我们调查了监督机器学习和时间序列预测的高维模型的最新进展。我们考虑线性和非线性的替代品。在线性方法中，我们特别注意惩罚回归和模型集成。本文中考虑的非线性方法包括浅神经网络和深神经网络（前馈和递归版本）以及基于树的方法（如随机森林和提升树）。我们还考虑通过组合来自不同替代品的成分来集成和混合模型。测试优越的预测能力进行了简要回顾。最后，我们讨论了机器学习在经济和金融中的应用，并以高频金融数据为例进行了说明。
2021-04-09 cs.LG econ.EM stat.AP
A Brief Review of Plasma Wakefield Acceleration
等离子体尾场加速器承诺巨大的加速度梯度，比今天的传统射频（RF）加速器大三个数量级。这些新的加速器也显示出以几乎相同的因子减小未来加速器尺寸的潜力。本文简要介绍了等离子体尾场加速器的工作原理，并介绍了该领域的最新进展。给出了当前的挑战和潜在的未来使用的等离子体尾场加速器进行了讨论。
2020-02-14 physics.acc-ph physics.plasm-ph
Quench protection analysis in accelerator magnets, a review of the tools
随着加速器磁体的磁场和储存能量的增加，失超保护成为磁体设计的关键部分。由于失超现象的复杂性交织在磁、电和热分析中，使用数值代码是该过程的关键组成部分。在这方面，我们建议在这里审查几个常用的磁铁设计社区的工具。
2014-01-16 physics.acc-ph
A Living Review Pipeline for AI/ML Applications in Accelerator Physics
CNRS -- GANIL（法国国家科学研究中心--大尺度核物理与核结构实验室）
本文提出一个开源流水线，通过自动收集、去重、语义过滤和分类，生成加速器物理中AI/ML应用的动态综述，将每月约12000篇论文精选为约2%的相关语料库。
2025-10-13 physics.acc-ph
Review and outlook of accelerator-related codes and their interplay with the experiments software
强大灵活的计算机代码对于加速器和实验的设计和优化是必不可少的。我们简要回顾一下已经存在的加速器代码和需要什么。对于FCC-ee，重要的是要包括束辐射和束-束相互作用的影响，以及与实验相关的机器缺陷和束诱导背景源，并考虑束偏振的可能性。实验软件Key 4 hep，旨在为未来的实验提供一个共同的软件栈，进行了描述，并讨论了将这一概念扩展到机器代码的可能性。我们分析了如何接口和连接的加速器和实验代码在一个有效的和灵活的方式优化的FCC-EE相互作用区域的设计，并讨论了使用共享数据格式作为接口的可能性。
2021-11-18 hep-ex physics.acc-ph
Review of Technologies for Ion Therapy Accelerators
使用质子和较重离子（如碳）的癌症治疗已证明优于其他放射治疗。为了实现下一代临床设施，这些要求可能会减少占地面积，获得每次溢出超过1E10颗粒的光束强度，并实现更快的提取，以实现更快速，灵活的治疗。本文综述了离子治疗的技术发展，讨论了机器参数如何演变，以及FLASH等新型治疗技术的发展趋势。最后，对离子治疗加速器的发展前景进行了展望。
2021-05-17 physics.acc-ph physics.med-ph
Accelerator Vacuum Windows: A Review of Past Research and a Strategy for the Development of a New Design for Improved Safety and Longevity for Particle Accelerators
费米实验室继续进行真空窗研究，本文将研究具有成本效益的一致性设计，这些设计在安全性和成本方面对加速器实验室产生巨大影响。如设计，材料，分析，测试和制造的问题得到解决，包括光束散射图和材料的成本效益分析和检查不同的材料，可以潜在的替代铍。以前的研究论文已经审查了目前的制造和设计技术，也在费米故障模式，本文探讨了以前的研究，除了新兴技术。HEP实验室在世界各地采取了许多不同的途径，取得了不同的成功。真空窗的发展历史是广泛的，并没有很好地定义，和一个矩阵的研究已经做了什么材料和真空窗的联合设计将显示。本报告最后包括真空窗口技术的论文和对新兴设计和材料的看法，并讨论了未来的研究进展，如制造技术，包括增材制造和超声波焊接。对这些的进一步探索将证明有利于开发更安全、更坚固、同时对光束更透明的真空窗。
2019-12-06 physics.acc-ph
Bunch Shaping in Electron Linear Accelerators
现代电子直线加速器通常被设计成产生以其宏观系综平均矩为特征的平滑聚束分布。然而，越来越多的加速器应用要求对射束分布进行更精细的控制，例如，通过要求其沿着一个坐标的投影具有特定形状。最终，在单粒子水平上控制束流分布可以为加速器科学带来新的机遇。这篇综述讨论了最近的进展，控制电子束分布的“介观”尺度上的重点成形的光束或引入复杂的相关性所需的一些应用。本文重点介绍了基于有界外电磁场或通过与自生速度场和辐射场相互作用的电子束团成形方法的实验和理论发展。
2021-10-31 physics.acc-ph
Manufacturing and Testing of Accelerator Superconducting Magnets
用于加速器的超导磁体的制造是一个相当复杂的过程，尚未完全工业化。在本文中，经过一个简短的历史演变的磁铁设计和建设，我们审查的主要特点加速器磁铁的建设技术的影响。我们证明了设计和组件质量如何影响施工，以及为什么最终产品需要全面质量的方法。LHC的经验被广泛讨论，并阐明了主要的教训。然后，新的Nb3Sn技术，下一代磁铁建设的发展，概述。最后，我们简要回顾了加速器超导磁体的测试过程，强调了与设计验证和制造过程的密切联系。
2015-01-28 physics.acc-ph
RF Power Transport for Accelerators
CERN（欧洲核子研究组织）
本文综述加速器射频功率系统的主要类型，涵盖真空管（四极管、速调管、感应输出管）和晶体管的基本原理，以及功率合成、分配、传输线和射频功率耦合器的基本概念。
2026-10-07 physics.acc-ph
Staging of High-Gradient Wakefield Accelerators
用高梯度尾流场加速器将粒子加速到高能量可能需要使用多个级。由于高发散度和不可忽略的能量扩散，将光束从一个级耦合到另一个级可能是困难的。我们审查的挑战，技术要求和目前提出的解决分期问题的方法。
2020-07-10 physics.acc-ph physics.plasm-ph
Specifications, quality control, manufacturing, and testing of accelerator magnets
磁体的性能在加速器的功能中起着重要作用。大多数磁铁是在加速器实验室设计的，由工业制造。实验室和制造商之间的联系是包含磁铁技术规格的合同。为了概述技术规格的内容，本文描述了ALBA（弯曲，四极和六极）磁体的规格。磁体设计的基本规则在附录A中进行了回顾。
2011-03-09 physics.acc-ph
Overview of Fabrication Techniques and Lessons Learned With Accelerator Vacuum Windows
真空薄窗已经在费米实验室的加速器中使用了几十年，并且通常因其临界性和脆弱性而被忽视。真空窗允许射束通过，同时在真空和空气或高真空和低真空区域之间产生边界。真空窗的设计，包括钛和铍窗，将被讨论，以及制造，测试和操作问题。将审查窗户的故障以及减轻故障和延长真空窗户寿命的安全方法。本课程将探讨各种计算真空窗强度的方法，包括有限元分析。
2018-08-23 physics.acc-ph
Advanced Accelerator Concepts
近年来，在不基于传统RF加速结构的创新加速方法的开发方面取得了惊人的进展。这些新的发展是在激光，等离子体和加速器物理学的接口，并可能导致更紧凑和更具成本效益的加速器设施。虽然这些新技术主要关注以比传统RF结构大得多的梯度加速带电粒子的能力，但在射束参数和再现性方面，这些新技术尚未表现出与RF结构相当的性能。为了指导必要的基本研发和概念验证之外的发展，现在需要对运行用户设施所需的性能和波束参数有一个共同的理解和定义。这些创新的用户设施可以包括“桌面”光源，医疗加速器，工业加速器甚至高能对撞机。本文将回顾新的加速方法中最有前途的发展，并介绍正在进行的项目的状态。
2021-03-19 physics.acc-ph
Machine Learning for Reducing Noise in RF Control Signals at Industrial Accelerators
本文研究利用机器学习技术降低工业加速器射频控制信号中的噪声，通过模拟射频系统验证算法效果，旨在提升工业加速器性能并满足医疗、食品等领域日益增长的需求。
2024-09-05 physics.acc-ph
Review and Recent Advances in PIC Modeling of Relativistic Beams and Plasmas
粒子单元（PIC）模拟代码具有广泛的适用性，多维非线性等离子体现象的第一性原理建模，包括尾场加速器。本文综述了有限差分和伪谱PIC算法，包括数值不稳定性抑制和谱场求解器的推广。
2014-08-05 physics.acc-ph physics.plasm-ph
Accelerators for Medical Applications - Radio Frequency Powering
本文综述了可用于医疗应用的射频供电系统的主要类型。它给出了真空管，包括四极管，速调管和电感输出管的基本原理，以及晶体管的基本原理。结合系统，分裂系统和传输线的基础进行了讨论。本文最后以医疗应用为例，包括各种可用技术的整体效率和成本分析。
2018-04-23 physics.acc-ph physics.med-ph
Advances in MgB$_2$ Superconductor Applications for Particle Accelerators
2001年发现的MgB $_2$超导体具有二硼化镁独特的化合物特性，与NbTi超导体相比，具有更高的临界温度和临界场。由于其在高温操作中的优越能量平衡以及由于较高的临界温度和热容而具有的优异稳定性和操作裕度，其应用正在扩大。本文综述了MgB $_2$在粒子加速器超导输电（超导链路）和超导磁体领域的应用进展，并简要讨论了其未来的发展前景和改进方向，如抗辐射问题和低成本的制造，以获得更广泛的应用和产业化。
2022-02-17 physics.acc-ph physics.app-ph
Case Studies on Superconducting Magnets for Particle Accelerators
在CERN加速器学校的“加速器的超导性”中，学生被分成18组，并分配了6个不同的练习（案例研究），涉及超导磁体和RF腔的设计和分析。这些问题涵盖了广泛的主题，从超导材料的性能到操作条件和组件的一般尺寸。学生们进行的工作被证明是一个非常有用的机会，可以复习讲座中解释的材料，熟悉关键参数的数量级，并理解和比较不同的设计方案。我们在本文中提供了一个总结的活动有关的超导磁体的案例研究，并提出了主要成果。
2015-01-28 physics.acc-ph
