Improving the Transferability of Time Series Forecasting with Decomposition Adaptation
Zhejiang University（浙江大学）；Nanjing University（南京大学）
针对时间序列预测中数据稀缺限制模型性能的问题，提出SeDAN迁移架构，通过Implicit Contrastive Decomposition将特征分解为季节和趋势成分并分别进行自适应对齐，在五个基准数据集上验证了其高效稳定的跨域知识迁移能力。
2023-06-30 cs.LG
LiNo: Advancing Recursive Residual Decomposition of Linear and Nonlinear Patterns for Robust Time Series Forecasting
The Hong Kong Polytechnic University（香港理工大学）；Peking University（北京大学）
针对时间序列预测中线性与非线性模式分离不足的问题，提出LiNo框架，通过递归残差分解显式提取两类模式，在13个真实基准上达到最先进性能。
2025-02-25 cs.LG
SSDNet: State Space Decomposition Neural Network for Time Series Forecasting
The University of Sydney（悉尼大学）
在本文中，我们提出了SSDNet，这是一种用于时间序列预测的新型深度学习方法。SSDNet将Transformer架构与状态空间模型相结合，以提供概率和可解释的预测，包括趋势和季节性组件以及对预测重要的先前时间步长。Transformer架构用于直接有效地学习时间模式并估计状态空间模型的参数，而不需要卡尔曼滤波器。我们在五个数据集上全面评估了SSDNet的性能，表明SSDNet在准确性和速度方面是一种有效的方法，优于最先进的深度学习和统计方法，并且能够提供有意义的趋势和季节性成分。
2021-12-19 cs.LG
Online Kernel Dynamic Mode Decomposition for Streaming Time Series Forecasting with Adaptive Windowing
University of Washington（华盛顿大学）
针对流式数据实时预测中的非平稳与计算限制挑战，提出WORK-DMD方法，结合随机傅里叶特征与在线动态模式分解及滚动窗口Sherman-Morrison更新，实现单次遍历、固定成本的高精度预测，尤其擅长短期预测，为深度学习提供高效替代。
2025-10-17 cs.LG
Multivariate Empirical Mode Decomposition based Hybrid Model for Day-ahead Peak Load Forecasting
准确的日前高峰负荷预测不仅对电力调度至关重要，而且对投资者、能源政策制定者和政府都具有重要意义。文献表明，1%的预测误差下降可以减少1000万英镑的运营成本。因此，本研究提出了一种新的混合预测模型建立在多元经验模式分解（MEMD）和支持向量回归（SVR）的参数优化粒子群优化（PSO），这是能够捕捉精确的电力高峰负荷。本研究的新颖性主要来自于MEMD的应用，它使得多元数据分解能够在多元随时间恶化的过程中，有效地提取不同时间频率下相关变量之间的内在信息。来自澳大利亚新南威尔士州和维多利亚州的两个实际负荷数据集验证了MEMD-PSO-SVR混合模型的优越性。结果表明，MEMD-PSO-SVR方法是一种很有前途的方法，用于日前电力高峰负荷预测。
2021-10-28 cs.LG
SPDNet: Seasonal-Periodic Decomposition Network for Advanced Residential Demand Forecasting
针对住宅电力需求预测中多季节性和周期性的挑战，提出SPDNet，通过季节-趋势分解和基于FFT的周期分解及二维处理，提升预测精度和效率。
2025-03-28 cs.LG
MLOW: Interpretable Low-Rank Frequency Magnitude Decomposition of Multiple Effects for Time Series Forecasting
Macquarie University（麦考瑞大学）；Shanghai Jiao Tong University（上海交通大学）；Nanyang Technological University（南洋理工大学）；Hong Kong Polytechnic University（香港理工大学）
MLOW通过低秩频率幅度分解方法，实现时间序列中多效应的可解释分解，解决了传统模型在可解释性、效率和泛化性上的不足。
2026-03-19 cs.LG
Short-term forecasting of Amazon rainforest fires based on ensemble decomposition model
Pontifical Catholic University of Parana（巴拉那天主教大学）；Federal Technological University of Parana（巴拉那联邦理工大学）；Federal University of Parana（巴拉那联邦大学）
准确的预测对决策者来说非常重要。最近，亚马逊雨林的火灾数量达到创纪录的水平，这种情况既关系到气候问题，也关系到公共卫生问题。获得所需的预测精度变得困难和具有挑战性。本文提出了一种新的异构分解集成模型，利用基于黄土的季节和趋势分解，结合多个月前的短期负荷预测算法，探索在巴西亚马逊雨林火灾的时间模式。结果表明，所提出的分解集成模型可以提供更准确的预测性能指标评估。Diebold-Mariano统计检验表明，所提出的模型优于其他比较模型，但在统计上等于其中之一。
2020-07-23 cs.LG stat.ML
Probabilistic Decomposition Transformer for Time Series Forecasting
Southeast University（东南大学）
时间序列预测在灾害预警、天气预报、能源消耗等许多领域都具有重要意义。基于Transformer的模型被认为是序列建模领域的革命。然而，时间序列的复杂时间模式阻碍了模型挖掘可靠的时间依赖。此外，Transformer的自回归形式在推理步骤中引入了累积误差。在本文中，我们提出了概率分解Transformer模型，结合了Transformer与条件生成模型，它提供了复杂的时间序列的层次和可解释的概率预测。Transformer用于学习时间模式并实现初级概率预测，而条件生成模型用于通过引入潜在空间特征表示来实现非自回归分层概率预测。此外，条件生成模型从潜在空间中的概率分布重建序列的典型特征，例如季节性和趋势项，以实现复杂的模式分离并提供可解释的预测。在多个数据集上进行的大量实验证明了该模型的有效性和鲁棒性，表明该模型与现有技术相比具有优势。
2022-10-31 cs.LG
KARMA: A Multilevel Decomposition Hybrid Mamba Framework for Multivariate Long-Term Time Series Forecasting
Shanghai Advanced Research Institute, Chinese Academy of Sciences（上海先进研究院，中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Jiaotong University（北京交通大学）
针对长期多变量时间序列中复杂动态建模及 Transformer 计算开销问题，提出融合 ATCD、HFTD 与多尺度 Mamba KarmaBlock 的 KARMA，并在八个数据集上验证其精度与效率优势。
2025-06-10 cs.LG
Wind Speed Forecasting Based on Data Decomposition and Deep Learning Models: A Case Study of a Wind Farm in Saudi Arabia
College of Science, University of Bahrain（巴林大学理学院）；College of Information Technology, University of Bahrain（巴林大学信息技术学院）
针对风速波动性导致的风电不确定性问题，本研究提出结合小波包分解（WPD）、季节调整法（SAM）与双向长短期记忆网络（BiLSTM）的新型风速预测框架，在沙特风电场数据上实现了高精度预测并优于27个对比模型。
2024-12-17 cs.LG
Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting
Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Tongji University（同济大学）；Shenzhen University（深圳大学）
针对Transformer和MLP方法在时间序列预测中的各自局限，提出基于MLP的自适应多尺度分解框架，通过多尺度分解与聚合模块建模依赖关系，在多数据集预测任务中实现最优性能与高效计算。
2025-04-15 cs.LG
WPMixer: Efficient Multi-Resolution Mixing for Long-Term Time Series Forecasting
University of South Florida（南佛罗里达大学）；Intel Corporation（英特尔公司）
本文提出WPMixer，一种基于MLP的长期时间序列预测模型，通过结合多分辨率小波分解、分块和MLP混合，高效提取频时域信息及局部全局特征，显著优于现有先进模型。
2024-12-22 cs.LG
VMDNet: Temporal Leakage-Free Variational Mode Decomposition for Electricity Demand Forecasting
UKRI EPSRC Doctoral Training Partnership（UKRI EPSRC博士培训计划）；UKRI EPSRC；AI for Collective Intelligence (AI4CI)（集体智能（AI4CI））
提出VMDNet框架，通过逐样本变分模态分解避免时间泄漏、频率感知嵌入和并行时间卷积网络建模各模态，并引入Stackelberg博弈双层优化选择超参数，在电力需求预测中超越现有方法。
2026-06-01 cs.LG
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
Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting
Hong Kong Generative AI Research and Development Center（香港生成式人工智能研发中心）；University of Technology Sydney（悉尼科技大学）；University of New South Wales（新南威尔士大学）；School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；A*STAR（新加坡科技研究局）；AI Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）AI 学科）；CSE, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程学系）
针对长期时间序列预测（LTSF）中模型复杂度急剧膨胀的问题，提出一种基于时间序列内在动态特性的分解方法，在大幅减少99%以上参数的同时，于多数据集上实现更优且稳健的预测性能。
2024-10-16 cs.LG
Physiome-ODE: A Benchmark for Irregularly Sampled Multivariate Time Series Forecasting Based on Biological ODEs
ISMLL & VWFS DARC University of Hildesheim（ISMLL与VWFS DARC海德堡大学）；University of Hildesheim（海德堡大学）；Institute of Mathematics TU Berlin（柏林技术大学数学研究所）；DARC University of Hildesheim（DARC海德堡大学）
针对现有基准数据集少且ODE模型表现不佳的问题，提出基于真实生物ODE生成不规则采样多元时间序列的方法，构建包含50个数据集的Physiome-ODE基准，证明ODE模型在该基准上能发挥优势并有效区分不同预测模型。
2026-05-22 cs.LG
Forecasting N-Body Dynamics: A Comparative Study of Neural Ordinary Differential Equations and Universal Differential Equations
本文比较了神经普通微分方程和通用微分方程在预测N体动力学中的性能，发现UDE模型在数据效率上显著优于神经ODE。
2025-12-12 cs.AI cs.LG physics.comp-ph
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
ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting
Department of Mechanical, Automotive and Materials Engineering（机械、汽车和材料工程系）
本文提出ForecastGAN框架，通过分解模块、模型选择模块和条件生成对抗训练模块，有效融合数值与类别特征，在十一个多元时间序列数据集上实现短期预测优于Transformer模型且长期预测具有竞争力的效果。
2025-11-06 cs.LG stat.ML
Stabilized Neural Ordinary Differential Equations for Long-Time Forecasting of Dynamical Systems
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Argonne National Laboratory（阿贡国家实验室）
在时空现象的数据驱动建模中，在捕获高波数的动力学时经常需要仔细考虑。当感兴趣的系统表现出冲击或混沌动力学时，这个问题变得特别具有挑战性。我们提出了一种数据驱动的建模方法，通过提出一种新的架构，稳定的神经常微分方程（ODE），准确地捕捉冲击和混沌动力学。在我们提出的架构中，我们通过将两个NN的输出相加来学习ODE的右手边（RHS），其中一个学习线性项，另一个学习非线性项。具体来说，我们通过训练稀疏线性卷积NN来学习线性项，训练密集全连接非线性NN来学习非线性项。这与标准神经ODE形成对比，标准神经ODE仅涉及训练用于学习RHS的单个NN。我们将这种设置应用于粘性Burgers方程，该方程具有冲击行为，并且在高波数下比标准神经ODE具有更好的短时间跟踪和预测能量谱。我们还发现，稳定的神经ODE模型是更强大的噪声初始条件比标准的神经ODE方法。我们也将这种方法应用于Kuramoto-Sivashinsky方程的混沌轨道。在这种情况下，稳定的神经ODE在吸引子上保持长时间的轨迹，并且对噪声初始条件具有高度鲁棒性，而标准神经ODE无法实现这些结果中的任何一个。最后，我们展示了如何稳定神经常微分方程提供了一个自然的扩展，用于降阶建模，通过投影的动态学习线性项的特征向量。
2022-10-04 cs.LG
Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition
Middle East Technical University（中东技术大学）；Massachusetts Institute of Technology（麻省理工学院）
在不同领域的许多应用中，都会产生大量的时间序列数据。做出准确的预测对于许多决策者来说至关重要。存在各种时间序列预测方法，其分别使用线性和非线性模型或两者的组合。研究表明，线性和非线性模型的结合可以有效地提高预测性能。然而，这些现有方法所做的一些假设可能会限制它们在某些情况下的性能。本文提出了一种新的自回归滑动平均（ARIMA）-人工神经网络（ANN）混合方法。实验结果表明，在整个杂交过程中，用于分解原始数据以及用于组合线性和非线性模型的策略是该方法预测性能的关键因素。通过使用适当的策略，我们的混合方法可以是一种有效的方法，以提高预测精度由传统的混合方法，也单独使用的个人方法。
2018-12-30 cs.LG stat.ML
Implementing a new fully stepwise decomposition-based sampling technique for the hybrid water level forecasting model in real-world application
School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络空间安全学院）；School of Internet, Anhui University（安徽大学互联网学院）；Chinese Academy of Sciences, Institute of Plasma Physics（中国科学院等离子体物理研究所）；School of Software Technology, Zhejiang University（浙江大学软件学院）
本文提出全逐步分解采样技术FSDB，通过严格避免引入未来信息，结合VMD和SSA分解方法提升混合水位预测模型的精度，并在中国涡阳和巢湖流域三个站点验证了其有效性。
2023-09-19 cs.LG physics.geo-ph
Improving Accuracy Without Losing Interpretability: A ML Approach for Time Series Forecasting
Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）
在时间序列预测中，基于分解的算法将聚合数据分解为有意义的成分，因此在可解释性方面具有特殊的优势。最近的算法通常将机器学习（以下简称ML）方法与分解相结合，以提高预测精度。然而，结合ML通常被认为不可避免地牺牲了可解释性。此外，现有的混合算法通常依赖于具有统计假设的理论模型，并且仅关注聚合预测的准确性，因此遭受准确性问题，特别是在分量估计中。针对上述问题，本研究探讨在时间序列预测中，在不损失可解释性的前提下，提高预测精度的可能性。本文首先定量定义了数据驱动预测的可解释性，并从可解释性的角度对现有的预测算法进行了系统的回顾。因此，我们提出了W-R算法，一个混合算法，从一个新的角度结合分解和ML。具体来说，W-R算法用加权变量代替标准的加性组合函数，并使用ML同时修改所有分量的估计。我们从数学上分析了算法的理论基础，并通过大量的数值实验验证了其性能。一般来说，W-R算法优于所有基于分解和ML的基准测试。在P50_QL的基础上，该算法在JD.com的实际销售预测上的准确率相对提高了8.76%，在公开的电力负荷数据集上的准确率相对提高了77.99%。这项研究为结合统计和ML算法提供了一个创新的视角，JD.com已经实施了W-R算法来进行准确的销售预测并指导其营销活动。
2022-12-13 cs.LG
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems
University of Washington（华盛顿大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
时间序列预测仍然是几乎所有科学学科的核心挑战问题。我们介绍了一种新的负荷预测方法，其中观察到的动态建模为一个强迫的线性系统，使用动态模式分解（DMD）的时间延迟坐标。这种方法的核心是洞察电网负载，像复杂的现实世界系统上的许多可观测量一样，具有“几乎周期性”特征，即，由主峰打断的连续傅立叶频谱，其捕获规则的（例如，每天或每周）在动态中反复出现。所提出的预测方法利用了这一特性，通过（i）回归到确定性线性模型，其特征谱映射到这些峰值上，以及（ii）同时学习随机高斯过程回归（GPR）过程来驱动该系统。我们的预测算法进行比较，对国家的最先进的预测技术，不使用额外的解释变量，并显示出优越的性能。此外，它使用的线性内在动力学提供了一些可取的性能方面的可解释性和简约。结果提出了一个测试用例，使用负载数据从电网。负荷预测是电力系统工程中的一项重要挑战，对实时控制、定价、维护和安全决策具有重要意义。
2021-07-09 cs.LG physics.soc-ph
LTV-CTDNet: Compositional Turning Decomposition for Short-Term Turning-Movement Forecasting
Tennessee State University（田纳西州立大学）；Nashville Department of Transportation & Multimodal Infrastructure（纳什维尔交通与多式联运基础设施部）
提出LTV-CTDNet框架，通过组合式分解分别预测非负进口道总量与转向比例，在纳什维尔激光雷达数据上实现无负值且精度具竞争力的短期转向流量预测。
2026-09-29 cs.LG
Hyperbolic Time Series Forecasting with Learnable Decomposition and Manifold Dynamics
New Jersey Institute of Technology（新泽西理工学院）
提出首个双曲空间长期时间序列预测框架HyperForecast，通过可学习分解与流形动力学建模，在11个基准的9个上优于现有方法，长 horizon 下均方误差最高降58%。
2026-10-14 cs.AI cs.LG
A New Unified Deep Learning Approach with Decomposition-Reconstruction-Ensemble Framework for Time Series Forecasting
Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；School of Mathematical Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院）；School of Management, Xi'an Jiaotong University（西安交通大学管理学院）
针对时间序列预测问题，提出了一种基于变分模式分解（VMD）的深度学习方法。首先，采用VMD将原始时间序列分解为若干个子信号。然后，应用卷积神经网络（CNN）来学习分解的子信号上的重构模式，以获得多个重构的子信号。最后，利用长短期记忆（LSTM）网络对分解后的子信号和重构后的子信号作为输入的时间序列进行预测。所提出的VMD-CNN-LSTM方法起源于分解-重构-集成框架，并通过将重构，单一预测和集成步骤嵌入到统一的深度学习方法中进行创新。为了验证所提出的方法的预测性能，四个典型的时间序列数据集进行实证分析。实验结果表明，该方法在预测精度方面优于基准方法，同时也表明，由CNN重构得到的子信号对于进一步提高预测性能具有重要意义。
2020-02-22 cs.LG stat.AP stat.ML
An Experimental Study on Decomposition-Based Deep Ensemble Learning for Traffic Flow Forecasting
Swinburne University of Technology（斯威本科技大学）；University of Technology Sydney（悉尼科技大学）；Data61 CSIRO
本研究比较了基于分解与非分解的深度集成学习方法在交通流预测中的性能，实验表明前者更优，但对聚合策略和预测时长敏感。
2024-11-06 cs.AI cs.LG cs.NE
QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting
Global AI Accelerator, Ericsson（爱立信全球人工智能加速器）
提出QBSD，一种基于四分位数的季节性分解实时单步预测方法，在数千小区RAN KPI数据上实现高运行效率与竞争性预测精度，优于现有算法。
2024-11-04 cs.LG stat.ML
Temporal Spatial Decomposition and Fusion Network for Time Series Forecasting
Zhejiang University（浙江大学）；Anhui University（安徽大学）
为了获得更好的时间序列预测结果，需要进行特征工程，而分解是其中的关键。由于标准的时间序列分解缺乏灵活性和鲁棒性，一种分解方法通常不能用于许多预测任务。传统的特征选择严重依赖于预先存在的领域知识，没有通用的方法，需要大量的劳动。然而，大多数基于深度学习的时间序列预测模型通常存在可解释性问题，因此“黑箱”结果导致缺乏信心。对上述问题的探讨是本文写作的动机。TSDFNet是一个具有自分解机制和特征融合机制的神经网络，它摒弃了传统的特征工程预处理方法，将其作为一个内部模块与深层模型集成在一起。自分解机制使TSDFNet具有可扩展和自适应的分解能力，用户可以选择自己的基函数将序列分解为时间和广义空间维。注意特征融合机制具有捕捉外部变量重要性和与目标变量因果关系的能力。它可以自动抑制不重要的特征，同时增强有效的特征，这样用户就不必为特征选择而挣扎。而且，TSDFNet通过特征可视化很容易窥视到深层神经网络的“黑匣子”，并对预测结果进行分析。我们在十几个数据集上展示了现有广泛接受的模型的性能改进，三个实验展示了TSDFNet的可解释性。
2022-10-06 cs.AI cs.LG
CEDAR: Controlled and Event-Driven Demand Forecasting via Residual Decomposition
School of Artificial Intelligence and Data Science, University of Science and Technology of China（中国科学技术大学人工智能与数据科学学院）；Alibaba Group（阿里巴巴集团）；Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）人工智能学域）
该研究针对现有时间序列预测方法对策略不敏感、反事实分析不可靠的问题，提出基于残差分解的两阶段框架CEDAR，在阿里1688数据集上验证其可提升模拟精度并助力预算规划。
2026-08-27 cs.LG
ETSformer: Exponential Smoothing Transformers for Time-series Forecasting
Salesforce Research Asia（Salesforce亚洲研究院）；Singapore Management University（新加坡管理大学）
近年来，Transformers在时间序列预测中得到了积极的研究。虽然在各种情况下经常显示出有希望的结果，但是传统的Transformers并没有被设计为充分利用时间序列数据的特性，因此受到一些基本限制，例如，它们通常缺乏分解能力和可解释性，对于长期预测来说既不有效也没有效率。在本文中，我们提出了ETSFormer，一个新的时间序列Transformer架构，它利用指数平滑的原则，改善Transformers的时间序列预测。特别是，受时间序列预测中经典指数平滑方法的启发，本文提出了新的指数平滑注意（ESA）和频率注意（FA）机制来取代传统Transformers中的自注意机制，从而提高了预测精度和效率。在此基础上，我们重新设计了Transformer的架构与模块化分解块，使它可以学习分解的时间序列数据到可解释的时间序列组件，如水平，增长和季节性。在各种时间序列基准上的大量实验验证了该方法的有效性和优势。代码可在https://github.com/salesforce/ETSformer上获得。
2022-06-20 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
Continuous Forecasting via Neural Eigen Decomposition
Technion Israel Institute of Technology（以色列理工学院）
神经微分方程预测随机过程的导数。这允许以任意时间步长进行不规则预测。然而，表达的时间灵活性往往伴随着对噪声的高度敏感性。此外，当前的方法将测量和控制一起建模，限制了对不同控制策略的推广。这些属性严重限制了对医疗问题的适用性，这些问题需要在高噪声、有限数据和不断变化的治疗策略的情况下进行可靠的预测。我们介绍了神经特征提取算法（NESDE），它依赖于分段线性动力学建模与谱表示。NESDE提供了对表达水平的控制;控制与测量的解耦;以及推理中的闭合形式连续预测。NESDE被证明在合成和真实的高噪声医疗问题中提供鲁棒的预测。最后，我们使用学习的动力学模型来发布模拟的医疗健身房环境。
2023-02-04 cs.LG cs.SY eess.SY
Analysis of Empirical Mode Decomposition-based Load and Renewable Time Series Forecasting
University of Saskatchewan（萨斯喀彻温大学）；SaskPower（萨斯电力公司）
经验模态分解（EMD）方法及其变体已被广泛应用于负荷和可再生能源预测文献。使用这种多分辨率分解，时间序列（TS）相关的历史负荷和可再生能源发电分解成几个本征模式函数（IMF），这是不太非平稳和非线性。因此，理论上可以以显著更高的精度进行分量的预测。EMD方法容易出现几个问题，包括模态混叠和边界效应问题，但基于TS分解的负荷和可再生能源发电预测文献主要侧重于从预测精度的角度比较不同分解方法的性能;因此，这些问题很少被仔细研究。低估这些问题可能会导致预测模型在实时应用中的性能低下。本文探讨了这些问题及其在模型开发阶段的重要性。使用真实世界的数据，EMD为基础的模型，并说明边界效应的影响。
2020-11-23 cs.LG cs.SY eess.SP
Experimental Investigation of Variational Mode Decomposition and Deep Learning for Short-Term Multi-horizon Residential Electric Load Forecasting
University of North Dakota（北达科他大学）；Czech Technical University in Prague（捷克布拉格技术大学）；International University of Rabat（拉巴特国际大学）；University of Leeds（利兹大学）；Mohammed V University in Rabat（拉巴特穆罕默德五世大学）
随着先进数字技术的蓬勃发展，用户和能源分销商可以及时获得有关家庭用电量的详细信息。这些技术也可以用来预测家庭的用电量（也称为“用电量”）。负载）。在本文中，我们研究了使用变分模式分解和深度学习技术来提高负荷预测问题的准确性。虽然这个问题已经在文献中进行了研究，但选择适当的分解级别和提供更好预测性能的深度学习技术相对较少受到关注。这项研究通过研究六个分解层次和五个不同的深度学习网络的效果来弥合这一差距。原始的负载配置文件首先分解成固有模式的功能，使用变分模式分解，以减轻其非平稳方面。然后，天，小时，和过去的电力消耗数据作为一个三维输入序列馈送到一个四级小波分解网络模型。最后，将与不同内在模式函数相关的预测序列组合形成聚合预测序列。所提出的方法进行了评估，从摩洛哥建筑物的电力消耗数据集（MORED）的五个摩洛哥家庭的负载配置文件，并对国家的最先进的时间序列模型和基线持久性模型的基准。
2022-09-15 cs.LG eess.SP
A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting
University of Science and Technology of China（科学技术大学）；Shanghai Black Wing Asset Management Co., Ltd.（上海黑翼资产管理有限公司）；Di-Matrix(Shanghai) Information Technology Co., Ltd.（迪矩阵（上海）信息技术有限公司）；The Chinese University of Hong Kong（香港中文大学）
提出统一频域分解框架FIRE，通过独立建模幅度与相位、自适应学习频率基权重等创新，在长期预测基准上优于现有模型，提升预测性能与可解释性。
2025-10-11 cs.AI cs.LG
Scale-Aware Neural Architecture Search for Multivariate Time Series Forecasting
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
多变量时间序列预测在许多智能应用中受到广泛关注。这不是一个简单的任务，因为我们需要考虑变量内依赖性和变量间依赖性。然而，现有的工作是针对特定的场景设计的，需要大量的领域知识和专家的努力，这是很难在不同的场景之间转移。在本文中，我们提出了一个规模感知的神经架构搜索框架MTS预测（SNAS 4MTF）。多尺度分解模块将原始时间序列分解为多尺度子序列，保持多尺度时间模式。自适应图学习模块在没有任何先验知识的情况下推断不同时间尺度下的不同变量间依赖关系。对于MTS预测，设计了一个搜索空间来捕获每个时间尺度上的变量内依赖性和变量间依赖性。多尺度分解、自适应图学习和神经架构搜索模块在端到端框架中联合学习。在两个真实数据集上的大量实验表明，与现有的方法相比，SNAS4MTF具有良好的性能。
2021-12-14 cs.LG
Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting
Brawijaya University（布拉维加亚大学）
本文提出将变分模态分解（VMD）与线性模型结合用于时间序列预测，在13个数据集上验证其显著降低RMSE，其中Linear+VMD和DLinear+VMD分别在单变量和多变量预测中表现最优。
2024-09-04 cs.LG eess.SP
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
End-to-End Neural Decomposition with Koopman Operators for Time-Series Forecasting
National Taiwan University（台湾大学）；National Institute of Information and Communications Technology（信息通信研究机构）；Research Center for Information Technology Innovation（资讯科技创新研究中心）
该研究提出名为NDKoop的端到端架构，将可学习信号分解模块与两类Koopman网络结合，在统一框架内实现端到端Koopman建模与信号分解，提升了时间序列预测精度。
2026-08-11 cs.LG eess.SP
WinNet: Make Only One Convolutional Layer Effective for Time Series Forecasting
School of Computer Science, Sichuan University（四川大学计算机学院）
WinNet提出仅用一个卷积层的时间序列预测模型，通过子窗口划分、双重预测、二维混合分解和分解相关模块实现SOTA性能并降低计算复杂度。
2024-06-07 cs.LG
Neuralized Multi-Wavelet Decomposition for Time Series Classification and Forecasting
Beihang University（北京航空航天大学）
提出m-WCN框架，通过神经化GHM多小波分解联合提取时间与频率特征，并构建TFBC和FTB分别用于分类与预测，在64个UCR数据集和七个基准上平均提升19.97%和19.92%。
2026-09-25 cs.AI cs.LG
Times2D: Multi-Period Decomposition and Derivative Mapping for General Time Series Forecasting
针对1D时间序列表示难以处理复杂变化的局限，提出Times2D方法，通过PDB、FSDH和AFB模块将1D序列转换为2D空间以捕获周期变化和转折点，在长短时预测中达到SOTA。
2025-03-31 cs.AI 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
FDN: Interpretable Spatiotemporal Forecasting with Future Decomposition Networks
Department of Intelligent Systems Engineering, Indiana University Bloomington（印第安纳大学布卢明顿分校智能系统工程系）；Department of Computer Science and Engineering, Texas A&M University（德克萨斯大学阿姆斯特朗分校计算机科学与工程系）
提出未来分解网络（FDN），通过分类实现可解释预测，揭示潜在活动模式，并以更低的存储和运行成本达到与最先进方法相当的预测精度。
2026-06-25 cs.AI cs.LG
Effective Probabilistic Time Series Forecasting with Fourier Adaptive Noise-Separated Diffusion
AMSS, Chinese Academy of Sciences（中国科学院自动化研究所）；AMAP, Alibaba Group（阿里巴巴集团）
本研究提出FALDA概率时间序列预测框架，基于DMRR框架结合傅里叶分解与轻量去噪器DEMA，降低认知不确定性，在六个基准上长期预测表现优于现有方法，且比SOTA点预测方法性能最高提升9%。
2025-05-16 cs.LG
DMamba: Decomposition-enhanced Mamba for Time Series Forecasting
Harbin Engineering University（哈尔滨工程大学）；Capital Normal University（首都师范大学）
DMamba通过分解时间序列并利用不同复杂度的模块提升预测性能，实现对趋势和季节性成分的精准建模。
2026-02-09 cs.AI cs.LG
Energy Modelling and Forecasting for an Underground Agricultural Farm using a Higher Order Dynamic Mode Decomposition Approach
The Alan Turing Institute（艾伦·图灵研究所）；University of Cambridge（剑桥大学）
本文提出基于高阶动态模态分解（HODMD）的数据驱动降阶建模方法，用于分析和预测受噪声影响的伦敦地下农场环境能量行为，发现了控制环境的核心模态对，并验证了其提前三天预测及重构时间序列的能力，为数字孪生提供稳健的建模方案。
2023-06-26 cs.LG
MMFNet: Multi-Scale Frequency Masking Neural Network for Multivariate Time Series Forecasting
Knight Foundation School of Computing and Information Sciences（奈特基金会计算与信息科学学院）；Florida International University（佛罗里达国际大学）
本文提出MMFNet，通过多尺度掩码频率分解捕捉不同粒度时间模式，以可学习掩码自适应过滤无关成分，在多元长期时间序列预测中相比现有最优模型将MSE最多降低6.0%。
2024-10-02 cs.LG
Forecasting Time Series with LLMs via Patch-Based Prompting and Decomposition
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Adobe（Adobe公司）；Dolby Labs（Dolby实验室）；Intel（英特尔公司）；University of Oregon（俄勒冈大学）
针对大语言模型时间序列预测需大量微调、易忽略序列相关性的问题，本研究提出PatchInstruct方法，结合时间序列分解、补丁分词与邻域增强的提示策略，在低预处理成本下提升预测精度。
2025-06-15 cs.AI cs.CL cs.LG
Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM
Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种基于趋势和季节性分解的新度量指标，用于对时间序列分组，并结合LightGBM改进零售销售预测，在沃尔玛数据上验证了更高的准确性。
2023-09-01 cs.AI cs.LG
Revisiting the Seasonal Trend Decomposition for Enhanced Time Series Forecasting
University of Louisiana at Lafayette, Lafayette, LA, USA（路易斯安那州立大学拉斐特分校）；University of Delaware, Newark, DE, USA（德克萨斯大学达勒姆分校）
本文通过改进季节趋势分解方法，提出双MLP模型提升时间序列预测的精度与效率。
2026-02-06 cs.LG stat.ML
