DisenTS: Disentangled Channel Evolving Pattern Modeling for Multivariate Time Series Forecasting
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
针对多元时间序列预测中统一建模难以适配不同通道演化模式的问题，提出DisenTS框架，通过多预测器解耦建模、FAG模块自适应路由及相似性约束优化，提升预测效果。
2024-10-30 cs.LG
Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting
Ant International（蚂蚁国际）
提出Timeflies框架，联合建模未来观测是否发生（存在性）与数值估计，通过观测流和数值流耦合模块提升缺失值时间序列预测性能。
2026-10-01 cs.AI cs.LG
Neural Temporal Point Processes for Forecasting Directional Relations in Evolving Hypergraphs
Indian Institute of Science（印度科学学院）
本文提出一种基于时间点过程的序列生成方法，通过多阶段预测超图中的有向超边，有效缩小指数级搜索空间，在事件类型预测上性能显著提升。
2024-12-18 cs.AI cs.LG cs.SI
When Tomorrow Becomes Today: Self-Evolving Policies for Agentic Time-Series Forecasting
Ant International（蚂蚁国际）；Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）
针对智能体时间序列预测中策略需随时间演化的问题，提出TimEvolve，通过将实现结果转化为对专家信任、路径选择和干预强度的持久联合更新，在八个领域上取得最优平均MSE和MAE排名。
2026-09-22 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
Evolving Beyond Snapshots: Harmonizing Structure and Sequence via Entity State Tuning for Temporal Knowledge Graph Forecasting
Dalian University of Technology（大连理工大学）；Shenzhen University of Advanced Technology（深圳先进技术大学）；King’s College London（伦敦大学国王学院）；Peking University（北京大学）；Beijing Institute of Technology（北京理工大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出Entity State Tuning框架，通过维持全局状态缓冲区和闭环设计，实现时间知识图谱预测中的持久化和持续进化实体状态，提升长周期预测性能。
2026-04-16 cs.AI cs.CL
Rule-based Evolving Fuzzy System for Time Series Forecasting: New Perspectives Based on Type-2 Fuzzy Sets Measures Approach
Federal University of Juiz de Fora（茹伊斯迪福拉联邦大学）
本文提出结合参与式学习、核递归最小二乘与二型模糊逻辑的 ePL-KRLS-FSM+ 模型，通过构建和度量二型模糊集提升混沌时间序列预测精度，并在 Mackey-Glass 和 TAIEX 数据集上以更低误差和更少规则优于现有方法。
2025-02-05 cs.LG stat.ML
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
Forecasting User Interests Through Topic Tag Predictions in Online Health Communities
患者和护理人员越来越依赖在线社区获取医疗保健信息，导致错误信息或主观、轶事和不准确或非特定建议的传播增加，如果采取行动，可能会对患者造成严重伤害。因此，迫切需要及时将用户与准确和定制的健康信息联系起来，以防止这种伤害。本文提出了一种创新的方法，建议可靠的信息，参与者在网上社区，因为他们通过他们的疾病或治疗的不同阶段移动。我们假设具有相似疾病进展史或治疗过程的患者在可比阶段具有相似的信息需求。具体来说，我们提出的问题，预测主题标签或关键字，描述未来的信息需求的用户的基础上，他们的个人资料，他们的在线互动的痕迹在社区内（过去的帖子，回复）和配置文件和其他用户的在线互动的痕迹与类似的配置文件和类似的痕迹，过去的互动与目标用户。其结果是一个合作信息过滤或推荐系统的变种，适合在线健康社区用户的需求。我们报告我们的实验结果的专家策划的数据集，证明所提出的方法的优越性，在国家的最先进的基线方面的准确和及时的预测主题标签（因此信息源的利益）。
2022-11-05 cs.LG
Social-Media Activity Forecasting with Exogenous Information Signals
University of South Florida（南佛罗里达大学）
由于社交媒体平台的广泛采用，它为研究和理解社会行为提供了理想的环境，特别是在信息传播方面。对社交媒体活动进行建模具有许多实际意义，例如支持分析战略信息操作的努力，设计干预技术以减轻虚假信息，或在救灾行动中提供关键信息。在本文中，我们提出了一种建模技术，预测特定主题的社交媒体活动的日常量，通过使用两个外源信号，如新闻或武装冲突记录，和内源性数据从我们的社交媒体平台模型。实证评估与真实数据集从两个不同的平台和两个不同的背景下，每个组成的多个相互关联的主题证明了我们的解决方案的有效性。
2021-09-22 cs.LG cs.SI
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
Liquid Neural Network Models for Natural Gas Spot Price Time-Series Forecasting
Department of Data Science, Columbia University（哥伦比亚大学数据科学系）
本文提出利用液体神经网络改进天然气现货价格短期预测，以应对市场波动和非平稳性挑战，提升能源交易和电力市场决策支持。
2026-04-24 cs.AI cs.LG
Neural Forecasting of the Italian Sovereign Bond Market with Economic News
European Commission, Joint Research Centre（欧盟委员会联合研究中心）；Università Ca’ Foscari Venezia（威尼斯大学）
在本文中，我们采用神经网络框架内的经济新闻预测意大利10年期利率利差。我们使用一个大型的开源数据库，称为全球事件、语言和语气数据库，以提取与债券市场动态相关的主题和情感新闻内容。我们将这些信息部署在具有自回归递归网络（DeepAR）的概率预测框架内。我们的研究结果表明，基于长短期记忆细胞的深度学习网络优于经典的机器学习技术，并提供了一个预测性能，超过了单独使用传统的利率决定因素所获得的预测性能。
2022-03-11 cs.AI cs.LG stat.AP
Foundation Models for Demand Forecasting via Dual-Strategy Ensembling
University of Southern California（南加州大学）；AWS Supply Chain（AWS供应链）
针对需求预测中基础模型架构僵化、分布变化下鲁棒性差的问题，提出结合层级集成与架构集成的统一框架，在多数据集上验证其能提升预测准确率与泛化性。
2025-07-29 cs.AI cs.LG
Late Meta-learning Fusion Using Representation Learning for Time Series Forecasting
Institute for Intelligent Systems（智能系统研究所）；University of Johannesburg（约翰内斯堡大学）
元学习、决策融合、混合模型和表示学习是时间序列预测研究中具有重要吸引力的研究主题。在这两个特定领域中，已经显示出最先进的预测结果：混合元学习模型，如指数平滑-递归神经网络（ES-RNN）和神经基扩展分析（N-BEATS），以及基于特征的堆叠集合，如基于特征的FORecast模型平均（FFORMA）。然而，一个统一的分类模型融合和这些混合和基于特征的堆叠集成方法的经验比较仍然缺乏。这项研究提出了一个统一的分类涵盖这些主题领域。此外，该研究还根据经验评估了几种模型融合方法以及一种称为深度学习FORecast模型平均（DeFORMA）的混合和特征堆叠算法的新组合。分类学将所考虑的方法置于上下文中。此外，实证分析的结果表明，所提出的模型，DeFORMA，可以达到最先进的结果在M4数据集。DeFORMA增加了每日、每周和每年子集中的平均总体加权平均值（OWA），并在每小时、每月和每季度子集中获得了有竞争力的结果。分类和实证结果使我们认为，继续探索这些研究领域的交叉点，仍有待取得重大进展。
2023-03-20 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
L-Drive: Beyond a Single Mapping-Latent Context Drives Time Series Forecasting
Business University, Yantai, Shandong, China（山东商业大学）；Ludong University, Yantai, Shandong, China（鲁东大学）
针对分布偏移和机制变化导致直接映射范式在转折点响应滞后的问题，提出L-Drive框架，通过引入潜在上下文表征高层动态并利用门控调制增量表示，提升对变化段的适应能力，同时采用补丁共享相对位置基函数增强段内结构建模，实现预测精度与计算效率的更好平衡。
2026-05-25 cs.AI cs.LG
Forecasting Anonymized Electricity Load Profiles
University of Luxembourg（卢森堡大学）；Enovos Luxembourg S.A.（恩诺沃斯卢森堡股份公司）
针对GDPR下电力负荷曲线需匿名化的需求，研究发现微聚合匿名技术在预测聚合负荷时对精度影响极小，可在保障隐私的同时维持智能计量应用效用。
2025-01-08 cs.AI cs.CR 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
A Causality-Aware Spatiotemporal Model for Multi-Region and Multi-Pollutant Air Quality Forecasting
针对多区域多污染物空气质量预测，提出因果感知时空模型AirPCM，整合跨站相关性、时间自相关与气象-污染物因果，在真实数据集上超越现有方法，支持长期预测与环境治理。
2025-09-25 cs.AI cs.LG
Graph Hawkes Neural Network for Forecasting on Temporal Knowledge Graphs
LMU Munich（慕尼黑大学）；Siemens AG（西门子股份公司）；ETH Zürich（苏黎世联邦理工学院）；Technical University of Munich（慕尼黑工业大学）
Hawkes过程已经成为模拟具有不同事件类型的自激事件序列的标准方法。最近的一项工作已经将霍克斯过程推广到神经自调节的多变量点过程，这使得能够捕获过去事件对未来事件的更复杂和现实的影响。然而，这种方法受到可能的事件类型数量的限制，使得不可能对演化图序列的动态进行建模，其中两个节点之间的每个可能的链接都可以被认为是事件类型。当链接是有方向的和有标签的时，事件类型的数量甚至会进一步增加。为了解决这个问题，我们提出了图霍克斯神经网络，它可以捕捉动态的演变图序列，并可以预测发生的事实在未来的时间实例。在大规模时态多关系数据库（如时态知识图谱）上的实验证明了该方法的有效性。
2020-06-14 cs.LG stat.ML
SPDM: Geometry-Modulated State Space Modeling with Manifold Constraints for Time Series Forecasting
School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学）
提出SPDM，一种将对称正定流形约束引入状态空间模型的几何感知架构，通过流形轨迹和几何门控机制调制选择性扫描，在保持线性复杂度同时提升多变量时间序列预测精度。
2026-06-06 cs.LG
Attention-based Experience Replay Framework for Continual Learning of Agnostic Time Series Forecasting Models
针对神经网络依赖固定数据集无法适应动态环境的问题，提出基于注意力机制引导经验回放策略的持续时间序列预测框架，能动态适应新环境保留知识，减轻遗忘，在多数据集上评估显示可提高预测性能、降低成本和数据需求。
2026-07-24 cs.AI cs.LG
CTIA-ODE: Continuous-Time Inter-Variable Attention for Long-Term Time Series Forecasting
UGOD, HKUST-GZ（香港科技大学（广州））；School of Software, Yunnan University（云南大学软件学院）；UGOD, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文针对多变量时间序列预测中离散架构难以捕捉连续外部效应的问题，提出CTIA-ODE框架，嵌入CTIA至ODE求解器并引入双稳定策略，经8个数据集验证其在多场景下性能最优且精度效率权衡良好。
2026-10-20 cs.LG
xERTE: Explainable Reasoning on Temporal Knowledge Graphs for Forecasting Future Links
Institute of Informatics, LMU Munich（慕尼黑大学信息学研究所）；Corporate Technology, Siemens AG（西门子股份公司中央研究院）；Department of Informatics, Technical University of Munich（慕尼黑工业大学信息学系）
建模随时间演化的知识图谱（KG）最近得到了越来越多的关注。在这里，图表示学习已经成为时间KG上的链接预测的主导范例。然而，基于嵌入的方法在很大程度上是以黑箱方式运行的，缺乏解释其预测的能力。本文提供了一个链接预测框架，原因在查询相关的子图的时间KG和联合模型的结构依赖和时间动态。特别是，我们提出了一个时间关系注意力机制和一个新的反向表示更新计划，以指导周围的查询封闭子图的提取。子图通过时间邻居的迭代采样和注意力传播来扩展。我们的方法提供了人类可以理解的证据来解释预测。我们评估我们的模型的四个基准时间知识图谱的链接预测任务。虽然更易于解释，但与以前的最佳KG预测方法相比，我们的模型在Hits@1上获得了高达20%的相对改进。我们还对53名受访者进行了调查，结果表明，该模型提取的链接预测证据与人类的理解一致。
2021-04-01 cs.AI cs.LG
XXLTraffic: Expanding and Extremely Long Traffic forecasting beyond test adaptation
University of New South Wales（新南威尔士大学）
XXLTraffic是一个大规模交通数据集，用于支持超越测试适应的极长交通预测研究。
2025-12-02 cs.AI cs.LG
Multivariate Time Series Anomaly Detection via Dynamic Graph Forecasting
University Of Waterloo（滑铁卢大学）
单变量时间序列中的异常通常指异常值以及与大多数历史观测的时间模式的偏差。在多元时间序列中，异常也指序列间关系（如相关性）随时间的异常变化。现有的研究已经能够通过图神经网络来建模这种系列间的关系。然而，大多数工作解决了学习静态图全局或在上下文窗口内，以帮助时间序列预测任务或重建任务，其目标是不适合显式检测异常关系。其他一些作品基于重建或预测系列间图的列表来检测异常，由于图的离散性，这无意中削弱了它们捕获数据内的时间模式的能力。在这项研究中，我们提出了DyGraphAD，一个多变量的时间序列异常检测框架的基础上的动态系列间图的列表。其核心思想是通过利用图形的演化性质，基于序列间关系和序列内时间模式从正常状态到异常状态的偏差来检测异常，以便同时帮助图形预测任务和时间序列预测任务。我们在真实世界数据集上的数值实验表明，DyGraphAD具有优于基线异常检测方法的性能。
2023-02-04 cs.AI cs.LG
Nested Spatio-Temporal Time Series Forecasting
Fudan University, Shanghai（复旦大学）；Department of Computer Science and Technology, Nanjing University（南京大学计算机科学与技术系）；ByteDance（字节跳动）
本文提出了一种嵌套预测框架，通过结合未来宏观区域趋势与微观历史观测，实现了精细化预测，并通过谱聚类方法构建语义连贯的区域，有效过滤系统性噪声并保留关键趋势，实验表明该方法在多个高维数据集上优于现有最先进基线。
2026-05-19 cs.AI cs.LG
Real-Time Energy Pricing in New Zealand: An Evolving Stream Analysis
University of Waikato（怀卡托大学）；Victoria University of Wellington（惠灵顿维多利亚大学）；Télécom Paris（巴黎电信学院）；IP Paris（巴黎理工学院）
本文引入了来自新西兰EMI网站的新颖能源价格实时流数据集，以解决流回归学习任务的数据稀缺问题，并通过广泛的回归、概念漂移检测等实验验证了其效用。
2024-08-29 cs.AI cs.LG
Machine Learning vs Statistical Methods for Time Series Forecasting: Size Matters
INESC TEC（INESC技术研究所）；University of Porto（波尔图大学）；Dalhousie University（达尔豪斯大学）
时间序列预测是当前最活跃的研究课题之一。机器学习方法已经越来越多地被采用来解决这些预测任务。然而，在最近的一项工作中，这些方法被证明系统地呈现出相对于简单统计方法较低的预测性能。在这项工作中，我们反对这些结果。我们表明，这些都是有效的，只有在一个非常低的样本量。使用学习曲线方法，我们的研究结果表明，随着样本量的增长，机器学习方法提高了它们的相对预测性能。复制实验的代码可在https://github.com/vcerqueira/MLforForecasting上获得。
2019-09-29 cs.LG stat.ML
Spatio-Temporal Meta-Graph Learning for Traffic Forecasting
The University of Tokyo（东京大学）；Toyota Motor Corporation（丰田汽车公司）
交通量预测作为多元时间序列预测的一个典型任务，一直是人工智能领域的重要研究课题。为了解决交通流中隐含的时空异质性和非平稳性，在这项研究中，我们提出了时空元图学习作为一种新的时空数据的图结构学习机制。具体来说，我们将这个想法实现到元图卷积递归网络（MegaCRN）中，将由元节点库驱动的元图学习器插入GCRN编码器-解码器。我们对两个基准数据集（即，METR-LA和PEMS-BAY）以及一个名为EXPY-TKY的新的大规模交通速度数据集，该数据集覆盖了东京的1843条高速公路。我们的模型在所有三个数据集上都优于最先进的模型。此外，通过一系列的定性评估，我们证明了我们的模型可以明确地解开道路连接和时隙与不同的模式，并鲁棒地适应任何异常的交通情况。代码和数据集可在https://github.com/deepkashiwa20/MegaCRN上获得。
2023-03-06 cs.AI cs.LG
AirDDE: Multifactor Neural Delay Differential Equations for Air Quality Forecasting
本文提出AirDDE框架，通过引入记忆增强注意力模块和物理引导的延迟演化函数，结合多因素数据捕捉污染物传播延迟效应，实现在空气质量预测中的最优性能。
2026-03-18 cs.AI cs.LG
Drift-Adjusted And Arbitrated Ensemble Framework For Time Series Forecasting
WalmartLabs（沃尔玛实验室）
时间序列预测是许多实际应用的核心，如商业销售预测，农业降雨预测等。虽然这个问题已经被广泛研究多年，它仍然被认为是一个具有挑战性的问题，由于时间序列数据的复杂性和不断变化的性质。提出的时间序列预测的典型方法建模数据观测之间的线性或非线性相关性。然而，人们普遍认为，没有一种方法对所有类型的时间序列数据都是普遍有效的。人们已经尝试使用异构和独立的预测模型的动态和加权组合，它已被发现是一个很有前途的方向来解决这个问题。该方法基于不同的预测器对不同分布的数据具有不同的专业化和不同的性能的假设，并且相应地将权重动态地分配给多个预测器。然而，在许多实际的时间序列数据集中，数据的分布是随时间缓慢演化的。我们建议采用一种基于重新加权的方法来调整分配给各种预测的权重，以考虑这种分布漂移。对真实世界和合成时间序列进行了详尽的测试。实验结果表明，该方法的竞争力相比，国家的最先进的方法相结合的预测和处理漂移。
2020-03-16 cs.AI cs.LG stat.ML
Approaching sales forecasting using recurrent neural networks and transformers
University of Valencia（瓦伦西亚大学）
准确、快速的需求预测是供应链中的热门话题之一，可以精确执行相应的下游流程（入站和出站计划、库存放置、网络规划等）。我们开发了三种替代方案，以解决使用深度学习技术和Corporación Favorita数据集（作为Kaggle竞赛的一部分发布）预测日/商店/商品级别的客户销售额的问题。我们的实证结果表明，如何良好的性能可以通过使用一个简单的序列到序列的架构，以最小的数据预处理工作。此外，我们还描述了一个训练技巧，使模型更加独立于时间，从而随着时间的推移提高泛化能力。所提出的解决方案实现了约0.54的RMSLE，这与Kaggle竞赛中提出的问题的其他更具体的解决方案具有竞争力。
2022-04-16 cs.AI cs.LG stat.AP
Deep Neural Ranking for Crowdsourced Geopolitical Event Forecasting
University of Pavia（帕维亚大学）；Wright State University（莱特州立大学）；Wright State Research Institute（莱特州立研究所）
有许多“群体智慧”效应的例子，其中大量的参与者赋予了对群体集体判断的信心。但是，当人群的规模有限时，我们如何形成一个综合判断呢？谁的判断，我们包括，我们给予最重？本文认为这个问题的背景下，地缘政治事件预测，志愿者分析师被询问，让他们的专业知识，信心，并预测一个事件的结果。我们开发了一个预测聚合模型，它集成了关于一个问题的主题信息，关于一对预测者的元数据，以及他们在深连体神经网络中的预测，该神经网络决定哪些预测者的预测更有可能接近正确的响应。预测者的排名是从成对预测者比较的锦标赛中得出的，排名用于创建聚合预测。初步结果发现，由我们的深连体网络模型排名的最佳预测者的聚合预测始终击败典型的聚合技术的Brier得分。
2018-10-23 cs.AI cs.LG
Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction
本文提出 Forecast2Anomaly（F2A）框架，通过联合预测-异常损失微调时间序列基础模型，并引入检索增强生成模块动态适应分布偏移，在 16 个数据集上实现零样本异常预测并优于现有方法。
2025-11-05 cs.AI cs.LG
Interactive 4D Volumetric Liquid Forecasting under Moving-Solid Interaction
Chung-Ang University（中央大学）
本研究提出交互式4D体积液体预测任务，构建两级循环框架TIDE/TIDES，经多类实验验证其在运动固体交互下的稠密液体预测性能最优，为相关领域奠定可控基础。
2026-10-14 cs.AI cs.CE cs.LG
Forecasting The JSE Top 40 Using Long Short-Term Memory Networks
University of the Witwatersrand（威特沃特斯兰德大学）
由于大数据的更大可用性，以及现代计算的成本降低和能力增加，使用人工神经网络进行金融时间序列预测再次成为金融界讨论和研究的主要话题。尽管有这样的学术焦点，但对于人工神经网络的表现最好以及它们是否优于传统时间序列模型的预测能力，仍然存在截然不同的观点和文献。本文利用长短期记忆网路，对日本证券交易所40大指数的收益率资料进行金融时间序列预测。此外，预测性能的长短期记忆网络的预测性能的季节性自回归集成移动平均模型进行了比较。本文评估了现有文献中提出的不同方法，并最终将结果与现有文献进行了比较。本文的结论是，长短记忆网络优于季节性自回归积分移动平均模型预测日内方向性运动，以及在预测指数收盘价。
2021-04-20 cs.LG stat.ML
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
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
Forecasting Cryptocurrency Returns from Sentiment Signals: An Analysis of BERT Classifiers and Weak Supervision
Humboldt University of Berlin（柏林洪堡大学）
预测金融市场中的价格发展是预测中持续感兴趣的主题。受深度学习和自然语言处理（NLP）的进步以及以新闻文章、社交媒体帖子等形式提供的大量文本数据的影响，越来越多的研究将基于文本的预测因子纳入预测模型。我们通过引入弱学习来为这一文献做出贡献，弱学习是最近提出的一种NLP方法，用于解决文本数据未标记的问题。如果没有因变量，就不可能在自定义语料库上微调预训练的NLP模型。我们证实，使用弱标签进行微调可以增强基于文本的特征的预测价值，并在预测加密货币回报的背景下提高预测准确性。更根本的是，我们提出的建模范式，弱标记特定领域的文本和微调预训练的NLP模型，普遍适用于（金融）预测，并解锁了利用文本数据的新方法。
2023-03-19 cs.LG q-fin.ST
Financial Market Trend Forecasting and Performance Analysis Using LSTM
金融市场趋势预测方法是当今金融市场研究的热点。目前仍然存在许多挑战，并且已经积极地进行了与之相关的各种研究。特别是近年来，基于神经网络的金融市场趋势预测的研究引起了人们的广泛关注。然而，以往的研究并未涉及在时间序列数据中表现良好的基于LSTM的金融市场预测方法。基于神经网络的预测技术和传统预测技术的性能也缺乏比较分析。本文提出了一种基于LSTM的金融市场趋势预测方法，并通过实验分析了其与现有金融市场趋势预测方法的性能。该方法通过数据预处理过程准备输入数据集，从而反映金融数据分析中使用的所有基本面数据、技术数据和定性数据，并通过LSTM进行全面的金融市场分析。本文对现有的金融市场趋势预测模型的性能进行了实验和比较，并根据金融市场的环境进行了性能分析。此外，我们使用开源和平台实现了所提出的方法，并使用各种金融数据指标预测金融市场趋势。
2020-03-31 cs.LG q-fin.ST
A Defect is Being Born: How Close Are We? A Time Sensitive Forecasting Approach
University of Oulu（奥卢大学）；University of Salerno（萨勒诺大学）；University of Milano-Bicocca（米兰-布雷拉大学）；University of Southern Denmark（南部丹麦大学）
本文提出一种时间敏感的缺陷预测方法，旨在通过训练多种预测技术，提前识别软件缺陷的早期迹象并评估其有效性。
2026-01-05 cs.AI cs.IR cs.LG
Physics-Informed GCN-LSTM Framework for Long-Term Forecasting of 2D and 3D Microstructure Evolution
本文提出一种物理信息GCN-LSTM框架，在潜在图空间中联合学习不同成分数据，实现二维和三维微观结构演化的高效长期预测。
2025-09-18 cond-mat.mtrl-sci cs.CE cs.LG
Multi-time-horizon Solar Forecasting Using Recurrent Neural Network
West Transmission Planning（西部输电规划部门）；Robotics Institute（机器人研究所）；American Electric Power（美国电力公司）；Carnegie Mellon University（卡内基梅隆大学）
太阳能发电量的非平稳特性使得传统的点预测方法由于预测误差大而变得不那么有用。这导致电网运行中的不确定性增加，从而对可靠性产生负面影响并增加运行成本。本文提出了一种统一的架构，用于使用递归神经网络（RNN）进行短期和长期太阳能预测的多时间范围预测。本文描述了一个端到端的流水线来实现该架构，以及测试和验证预测模型性能的方法。结果表明，所提出的方法的基础上的统一架构是有效的多地平线的太阳能预测，并实现了较低的均方根预测误差相比，以前的最佳性能的方法，使用一个模型为每个时间范围。所提出的方法，使多地平线预测与实时输入，这在不断发展的智能电网的实际应用中有很大的潜力。
2018-07-14 cs.LG eess.SP stat.ML
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
Forecasting elections results via the voter model with stubborn nodes
University College London（伦敦大学学院）；Inria France（法国国家信息与自动化研究所）
在本文中，我们提出了一种新的方法来预测选举结果只使用以前的官方结果。它是基于选民模型与顽固的节点，并使用我们以前的工作中开发的理论结果。我们看看英国保守党和工党以及美国共和党和民主党的民众投票份额。我们能够对模型参数进行随时间变化的估计，并使用这些来预测任何选举中每个政党的投票份额。平均绝对误差为4.74%。作为副产品，我们的参数估计提供了对政治格局的有意义的见解，为我们提供了每个被考虑政党的强烈支持者的选民比例。
2021-10-12 cs.LG cs.SI
Loss Shaping Constraints for Long-Term Time Series Forecasting
University of Pennsylvania（宾夕法尼亚大学）
针对时间序列多步预测中平均损失优化导致单步误差过大的问题，提出带损失塑形约束的约束学习方法，用原始-对偶算法求解，在基准上实现了有竞争力的平均性能且能调控误差分布。
2024-07-11 cs.LG stat.ML
FAME: Forecasting Academic Impact via Continuous-Time Manifold Evolution
Department of Computer Science and Engineering（计算机科学与工程系）
本文提出FAME框架，通过动态流形演变模型预测科研论文的学术影响，实验显示其在多维影响预测上优于现有LLM评估器。
2026-05-08 cs.LG
A Two-Stage Forecasting System for CPU Workload Prediction in Private Clouds
Blekinge Institute of Technology（布莱金厄理工学院）；Ericsson AB（爱立信公司）
该研究针对私有云CPU工作负载预测问题，提出级联XGBoost两阶段集成模型，经10个应用的真实迹线评估，其预测性能优于传统直接方法，可用于云资源管理与自动扩缩容。
2026-09-04 cs.LG
Probabilistic Low-Voltage Peak Load Forecasting with Time Series Foundation Models Evaluated on Application-Oriented Metrics
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；Netze BW GmbH（Netze BW有限公司）
本研究评估时间序列基础模型在200个实际低压馈线短期净负荷预测中的性能，提出面向应用的指标连接峰值预测与电网资产规划中的成本-风险权衡。
2026-07-03 cs.LG
Forecasting Crude Oil Price Using Event Extraction
Shanghai University of Finance and Economics（上海财经大学）
由于原油价格预测对全球经济的重要影响，其研究受到了学者和决策者的极大关注。除了供求关系外，原油价格在很大程度上还受到经济发展、金融市场、冲突、战争和政治事件等各种因素的影响。大多数以前的研究把原油价格预测作为一个时间序列或计量经济变量预测问题。虽然近年来有研究考虑到实时新闻事件的影响，但这些工作主要是使用原始的新闻标题或主题模型来提取文本特征，而没有深入探讨事件信息。在这项研究中，一个新的原油价格预测框架，AGESL，提出了处理这个问题。在我们的方法中，一个开放的领域事件提取算法被用来提取潜在的相关事件，和文本情感分析算法被用来提取情感从海量新闻。在此基础上，构建了一个综合新闻事件特征、情感特征和历史价格特征的深度神经网络，对未来原油价格进行预测。在西德克萨斯中质油（WTI）原油价格数据上进行了实证实验，结果表明，与几种基准方法相比，该方法具有更好的性能。
2021-11-14 cs.AI cs.CL cs.LG
Day-Ahead Hourly Forecasting of Power Generation from Photovoltaic Plants
i-EM S.r.l（i-EM有限公司）；Department of Energy, Systems, Territory and Constructions Engineering, University of Pisa（比萨大学能源、系统、领土和建筑工程系）；Enel Green Power S.p.A.（意大利国家电力公司绿色电力分公司（Enel Green Power S.p.A.））；Renewable Energy Management, Enel Green Power S.p.A.（可再生能源管理，意大利国家电力公司绿色电力分公司（Enel Green Power S.p.A.））；University of Pisa（比萨大学）
准确预测可再生能源发电量的能力现在被认为是改善电力系统运行的基本技能。尽管电力界对这一主题普遍感兴趣，但比较不同的预测方法并推断单个组件在提供准确预测方面的影响并不总是简单的。在本文中，我们广泛地比较简单的预测方法与更复杂的32个不同规模和技术的光伏电站在一整年。此外，我们试图评估天气条件和天气预报对光伏发电预测的影响。
2019-02-26 cs.LG stat.ML
Visual Time Series Forecasting: An Image-driven Approach
J. P. Morgan AI Research（摩根大通AI研究院）
时间序列预测是智能体决策的基础。传统的方法依赖于统计方法来预测给定的过去数值。在实践中，最终用户通常依赖于图表和绘图等可视化来推理他们的预测。受从业者的启发，我们通过创建一个新颖的框架来重新想象这个主题，以产生视觉预测，类似于人类直观的方式。在这项工作中，我们利用深度学习的进步将时间序列预测领域扩展到视觉环境。我们将输入数据捕获为图像，并训练模型以生成后续图像。这种方法导致预测分布，而不是逐点值。我们研究了具有不同复杂程度的各种合成和真实数据集。实验结果表明，视觉预测对周期性数据是有效的，但对股票价格等不规则数据的预测效果较差。重要的是，当使用基于图像的评估指标时，我们发现所提出的视觉预测方法优于各种数值基线，包括ARIMA和我们方法的数值变化。我们展示了将基于视觉的方法纳入预测任务的好处-无论是预测的质量，以及可用于评估它们的指标。
2021-11-19 cs.CV cs.LG econ.EM
