From Similarity to Superiority: Channel Clustering for Time Series Forecasting
Yale University(耶鲁大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Stanford University(斯坦福大学)
本文提出通道聚类模块(CCM),动态分组相似通道以平衡通道独立与依赖策略,在长期和短期预测中分别提升CI和CD模型性能2.4%和7.2%,并支持零样本预测。
2024-11-06 cs.AI 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
SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems
University of Manitoba(曼尼托巴大学);Clemson University(克莱姆森大学);Artificial Intelligence Research Institute for Science and Engineering (AIRISE), Clemson University(克莱姆森大学科学与工程人工智能研究院(AIRISE))
该研究提出面向时间序列预测的SPINEX新算法,利用多尺度相似性与高阶时间交互提升性能,在49个数据集上对比18种算法,精度稳居前5且具备可解释性与中等复杂度,为预测分析提供新方向。
2024-08-04 cs.LG stat.CO stat.ME
Stationarity-Aware Retrieval-Augmented Time Series Forecasting
University of Birmingham(伯明翰大学);Siemens AG(西门子有限公司)
提出SARAF框架,通过自适应平衡检索相关性与多样性,并利用平稳性感知聚合,提升非平稳时间序列预测的准确性和鲁棒性。
2026-06-02 cs.LG
Can time series forecasting be automated? A benchmark and analysis
Technical University of Eindhoven(埃因霍温理工大学)
针对时间序列预测方法选择困难的问题,提出综合基准评估AutoGluon-Timeseries和sktime框架,揭示其适用性并促进最优预测方法选择。
2024-07-25 cs.LG
A Comprehensive Survey of Deep Learning for Time Series Forecasting: Architectural Diversity and Open Challenges
Interdisciplinary Program in Artificial Intelligence(人工智能交叉学科项目);Department of Electrical and Computer Engineering(电气与计算机工程系);R&D Department(研发部)
本综述全面分析了时间序列预测中深度学习架构的多样化趋势,对比了从基础模型到混合、扩散、Mamba及基础模型等新兴架构,并探讨了通道依赖、分布偏移等开放挑战,为研究人员提供了系统理解与新视角。
2025-05-01 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。
2026-11-19 cs.LG
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
BasisFormer: Attention-based Time Series Forecasting with Learnable and Interpretable Basis
Shanghai Jiao Tong University(上海交通大学);Ant Group(蚂蚁集团)
本文提出BasisFormer端到端预测架构,通过自监督对比学习获得可解释基,并以双向交叉注意力和预测模块整合基,在六个数据集上显著提升单、多变量时间序列预测性能。
2024-01-18 cs.LG
Deep Probabilistic Koopman: Long-term time-series forecasting under periodic uncertainties
University of Washington(华盛顿大学)
复杂现象的概率预测对各种科学学科和应用至关重要。尽管问题的普遍性和重要性,一般的数学技术,允许稳定的长期预测校准不确定性措施是缺乏的。对于大多数时间序列模型,获得准确的概率未来时间步长预测的难度随着预测范围的增加而增加。在本文中,我们介绍了一种令人惊讶的简单方法,该方法描述了时变分布的特征,并能够合理准确地预测未来数千个时间步。这种技术,我们称之为深度概率Koopman(DPK),是基于线性Koopman算子理论的最新进展,并且不需要时间步进来预测未来的时间。Koopman模型也倾向于具有较小的参数占用空间(通常少于10,000个参数)。我们展示了这些模型在不同领域的长期预测性能,包括电力需求预测,大气化学和神经科学。对于电力需求建模,我们的领域不可知技术在最近的全球能源预测竞赛中优于所有177个特定领域的竞争对手。
2021-06-10 cs.LG
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
Channel-wise Retrieval for Multivariate Time Series Forecasting
LG AI Research(LG AI 研究院)
本文提出CRAFT框架,通过通道级检索增强预测,利用时域稀疏关系图和频域谱相似性提升效率,实验证明在七个基准数据集上优于现有方法。
2026-07-08 cs.LG
CLaST: Context-aware Contrastive VAE for Probabilistic Time Series Forecasting
Applied AI Institute(应用人工智能研究所)
该研究针对概率时间序列预测中传统模型难以捕捉时间依赖的问题,提出上下文感知对比VAE框架CLaST,通过对比损失学习上下文相似嵌入,在9个基准测试中均优于基线方法,短期与长期预测的CRPS、NMAE均有显著提升。
2026-09-25 cs.LG
Time Series Forecasting With Deep Learning: A Survey
University of Oxford(牛津大学)
已经开发了许多深度学习架构来适应跨不同域的时间序列数据集的多样性。在这篇文章中,我们调查了在一步前进和多水平时间序列预测中使用的常见编码器和解码器设计-描述了时间信息如何被纳入每个模型的预测。接下来,我们将重点介绍混合深度学习模型的最新发展,该模型将经过充分研究的统计模型与神经网络组件相结合,以改进任一类别的纯方法。最后,我们概述了深度学习也可以通过时间序列数据促进决策支持的一些方法。
2020-09-27 cs.LG stat.ML
How Foundational are Foundation Models for Time Series Forecasting?
Univ. Rennes(里昂大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化技术研究所);IRISA - UMR 6074(国际信息与自动化研究所);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Univ. Savoie Mont Blanc(萨瓦伊-蒙布莱大学);LPNC(实验室);CEA(法国原子能委员会);LIST(法国国家信息与自动化技术研究所)
本文质疑时间序列基础模型的有效性,指出其零样本能力受预训练领域限制,且微调后相比专用小模型在真实数据上并无显著优势。
2025-10-07 cs.LG
Ensembles of Randomized NNs for Pattern-based Time Series Forecasting
Częstochowa University of Technology(琴希托霍瓦工业大学)
在这项工作中,我们提出了一个集成预测方法的基础上随机神经网络。改进的随机学习通过根据数据和目标函数特征生成网络参数来简化个体学习器的拟合能力。一个基于模式的时间序列表示,使所提出的方法适用于预测时间序列的多个季节性。我们提出了六个策略来控制合奏成员的多样性。对四个实际预报问题进行的案例研究验证了所提出的集合预报方法的有效性和优越性能。它在预测准确性方面优于统计模型以及最先进的机器学习模型。所提出的方法具有几个优点:快速和容易的训练,结构简单,易于实现,高精度和处理非平稳性和多个季节性的时间序列的能力。
2021-07-08 cs.LG stat.ML
Transferring knowledge from monitored to unmonitored areas for forecasting parking spaces
RWTH Aachen University(亚琛工业大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Jyväskylä(于韦斯屈莱大学);University of Wuppertal(伍珀塔尔大学);Fraunhofer Institute for Applied Information Technology FIT(弗劳恩霍夫应用信息技术研究所(FIT))
世界各地的智能城市已经开始监控停车场,以估计可用的停车位,并帮助司机寻找停车位。目前的结果确实很有希望。然而,现有的方法受到传感器的高成本的限制,这些传感器需要在整个城市中安装,以便实现准确的估计。这项工作调查的扩展,估计停车信息从配备传感器的地区,他们失踪的地区。为此,基于背景数据来确定城市街区之间的相似性,即,地理信息系统。使用派生的相似性值,我们分析了适应的占用率从监控到无监控的停车场。
2019-08-07 cs.AI cs.LG
One-Embedding-Fits-All: Efficient Zero-Shot Time Series Forecasting by a Model Zoo
School of Artificial Intelligence(人工智能学院);National Key Laboratory for Novel Software Technology(新型软件技术国家重点实验室);Nanjing University(南京大学)
针对单一时间序列基础模型无法普遍最优的问题,提出ZooCast框架,通过“一嵌入通吃”范式构建统一表示空间,将多个TSFM组装成模型动物园,动态选择最优模型,在GIFT-Eval基准上实现高效零样本预测并保持单模型效率。
2025-09-25 cs.LG
Spectral Retrieval-Augmented Time-Series Forecasting
Applied Artificial Intelligence Initiative(应用人工智能倡议);Deakin University(迪肯大学)
提出SpecReTF方法,通过将时间序列转换为窗口化频率表示并采用结合幅度和相位的相似性度量,以及指数移动平均加权方案,解决了现有检索方法在频谱盲区和时间近因上的局限性,提升了非平稳时间序列预测的准确性。
2026-06-19 cs.LG
Welfarist Formulations for Diverse Similarity Search
Indian Institute of Science(印度科学研究所);Microsoft Research India(微软印度研究院)
本文提出基于效用主义的NNS方法,通过适应性平衡相关性与多样性,提升搜索结果的多样性同时保持高相关性。
2026-02-09 cs.CG cs.DS cs.GT
A Block Regression Model for Short-Term Mobile Traffic Forecasting
Tsinghua University(清华大学)
准确的移动流量预测对于有效的网络规划和运营至关重要。然而,现有的交通预测模型具有很高的复杂性,使得预测过程缓慢且成本高。本文分析了移动业务的周期性、空间相似性和短期相关性等特性。基于这些特点,我们提出了一个\emph{Block Regression}({BR})模型的移动业务预测。该模型采用季节性差异,以考虑到移动业务的时间重复性。我们的{BR}模型的关键特征之一在于其低复杂性,因为它为所有基站构建了单个模型。我们评估的准确性{BR}模型的基础上,实际的交通数据,并与现有的模型进行比较。结果表明,我们的{BR}模型提供了相同的准确性,现有的模型,但具有更低的复杂性。
2015-11-17 cs.LG cs.NI
Detecting the Future: All-at-Once Event Sequence Forecasting with Horizon Matching
DEF提出了一种基于时间horizon匹配的事件序列预测方法,实现了高精度和多样性的长周期事件预测,并在多个领域取得显著提升。
2025-12-05 cs.AI cs.LG
Recurrent Autoencoder with Skip Connections and Exogenous Variables for Traffic Forecasting
Polytechnic University of Catalonia(加泰罗尼亚理工大学)
移动性的日益复杂性加上城市人口的不断增长,以及共享车辆或任何设备数据时隐私的重要性,使得使用基础设施和公民数据的交通预测成为一项开放且具有挑战性的任务。在本文中,我们介绍了一种新的方法来处理预测的速度,体积和主要的交通方向,在一个新的聚合方式的交通数据作为视频。该方法利用帧序列的连续性及其动态性,学习预测低维空间中的变化区域,然后在重建原始空间时恢复静态特征。模型中还加入了天气、时间和日历等外生变量。此外,我们引入了一种新的序列采样方法,以确保在创建批次时的多样性,与优化过程并行运行。
2019-10-28 cs.LG stat.ML
DDTime: Dataset Distillation with Spectral Alignment and Information Bottleneck for Time-Series Forecasting
The City University of New York, CUNY(纽约城市大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Zhejiang University(浙江大学);University of Illinois at Chicago(伊利诺伊大学香槟分校);Tongji University(同济大学)
DDTime通过频谱对齐和信息瓶颈方法,提升时序预测数据集蒸馏的精度与多样性,实现30%的相对精度提升。
2025-11-20 cs.AI cs.LG
AGMA: Adaptive Gaussian Mixture Anchors for Prior-Guided Multimodal Human Trajectory Forecasting
本文提出AGMA,通过两阶段方法构建表达性先验,提升多模态人类轨迹预测的准确性和多样性,实验表明其在ETH-UCY等数据集上达到SOTA性能。
2026-04-14 cs.CV cs.LG
RPMixer: Shaking Up Time Series Forecasting with Random Projections for Large Spatial-Temporal Data
Visa Research(Visa研究中心)
本文提出全 MLP 架构 RPMixer,通过随机投影层增强残差模块输出多样性,使不依赖空间关系的通用时间序列模型在大型时空预测基准上超过图模型与通用预测方法。
2024-06-12 cs.AI cs.LG
FreEformer: Frequency Enhanced Transformer for Multivariate Time Series Forecasting
School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院)
FreEformer通过DFT将时间序列转换到频域,并引入额外可学习矩阵与L1归一化增强注意力,在十八个基准上优于现有模型。
2025-01-23 cs.AI cs.LG
Improving Chemical Autoencoder Latent Space and Molecular De novo Generation Diversity with Heteroencoders
Wildcard Pharmaceutical Consulting(万卡医药咨询公司);Science Data Software LLC(科学数据软件有限责任公司)
化学自动编码器是有吸引力的模型,因为它们将化学空间导航与感兴趣领域的从头分子生成的可能性相结合。这使他们能够围绕单个先导化合物产生集中的化学库,以便在药物发现项目的早期使用。在这里,它表明,选择的化学表示,如SMILES字符串,有很大的影响的潜在空间的属性。进一步探讨了不同化学表征之间的翻译在多大程度上影响了SMILES字符串或圆形指纹的潜在空间相似性。采用SMILES枚举的编码器或解码器,它被发现,解码器具有最大的潜在空间的属性的影响。训练基于具有长短期记忆细胞(LSTM)的递归神经网络(RNN)的序列到序列异源编码器以从相同的规范SMILES串预测不同的枚举SMILES串,给出了潜在空间距离和测量为圆形指纹相似性的分子相似性之间的最大相似性。使用五个分子数据集的QSAR建模中的瓶颈的输出表明,heteroencoder衍生的向量显着优于autoencoder衍生的向量以及使用ECFP 4指纹构建的模型,强调潜在空间的化学相关性增加。然而,在解码器的训练期间使用枚举导致解码到与编码不同的分子的速率显著增加,这一趋势可以用更复杂的网络架构来抵消。
2018-09-17 cs.LG stat.ML
Spatio-Temporal Hybrid Graph Convolutional Network for Traffic Forecasting in Telecommunication Networks
Huawei Technologies(华为技术有限公司);The Chinese University of Hong Kong(香港中文大学)
电信网络在现代社会中发挥着至关重要的作用。随着5G网络的到来,这些系统变得更加多样化、集成化和智能化。交通量预测是交通量预测系统的关键组成部分之一,然而,由于复杂的时空依赖性,它是特别具有挑战性的。在这项工作中,我们考虑这个问题,从蜂窝网络的方面和它的基站之间的相互作用。我们彻底调查的蜂窝网络流量的特点,并阐明依赖复杂性的基础上收集的数据,从人口稠密的大都市地区。具体来说,我们观察到,交通表现出动态和静态的空间依赖性,以及不同的循环时间模式。为了解决这些复杂性,我们提出了一种有效的基于深度学习的方法,即时空混合图卷积网络(STHGCN)。它采用GRU模型的时间依赖性,同时捕捉复杂的空间依赖性,通过混合GCN从三个角度:空间接近,功能相似性,最近的趋势相似性。我们对从电信网络收集的真实流量数据集进行了广泛的实验。我们的实验结果证明了所提出的模型的优越性,因为它始终优于经典方法和最先进的深度学习模型,同时更健壮和稳定。
2020-09-17 cs.LG eess.SP stat.ML
Winner-takes-all for Multivariate Probabilistic Time Series Forecasting
本文提出TimeMCL方法,利用多选学习(MCL)范式与赢者通吃(WTA)损失,通过多头神经网络促进预测多样性,以高效预测时间序列的多种可能未来,并在合成与真实数据上验证了其低计算成本下的出色性能。
2025-08-11 cs.AI cs.LG stat.ML
TFGformer: Multivariate Time Series Forecasting via Time-Frequency Graph Learning and Covariate Fusion
针对异构IoT传感器多变量时间序列预测问题,提出CrossRAG框架,结合SAM、FCC学习与CATF,在7个基准上性能优于仅参数化基线及现有检索增强预测方法。
2026-08-03 cs.AI cs.LG
Two-Step Meta-Learning for Time-Series Forecasting Ensemble
Kaunas University of Technology(考纳斯理工大学);Rivile(Rivile私人有限责任公司)
收集的历史数据量增加,对自动预测时间序列的商业智能适用性的需求很高。虽然没有一个单一的时间序列建模方法是通用的所有类型的动态,预测使用的几种方法的合奏往往被视为一种妥协。我们建议使用元学习自适应地预测这些方面,而不是固定集成多样性和大小。这里的元学习考虑了两个独立的随机森林回归模型,建立在390个时间序列特征上,对22个单变量预测方法进行排名并推荐集成大小。因此,预测集合由排名最佳的方法组成,并使用简单平均或加权平均(权重对应于倒数排名)来汇总预测。所提出的方法进行了测试12561微观经济时间序列(扩大到38633各种预测视野)的M4竞争,元学习优于Theta和梳基准的相对预测误差为所有数据类型和视野。通过加权合并获得了最佳总体结果,对称平均绝对百分比误差为9.21%,而使用Theta方法获得的平均绝对百分比误差为11.05%。
2022-04-15 cs.LG stat.ME stat.ML
TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data
University of Michigan(密歇根大学)
TimePFN提出一种基于先验数据拟合网络的新颖训练方案和Transformer架构,利用合成多元时间序列数据,在零样本和少样本预测中超越现有最先进模型,并展现出强大泛化能力。
2025-02-22 cs.AI cs.LG
Automating Forecasting Question Generation and Resolution for AI Evaluation
FutureSearch(未来搜索)
本文提出利用LLM驱动的网络研究代理自动化生成和解答预测问题,生成1499个多样化问题并实现96%的准确率,提升预测性能。
2026-03-09 cs.AI cs.LG
Robust Consensus Clustering and its Applications for Advertising Forecasting
Yahoo Research(雅虎研究院)
共识聚类聚合分区,以便通过协调来自不同来源/执行的聚类结果来找到更好的拟合。在实际应用中,聚类任务中存在噪声和离群点,这可能会显著降低性能。为了解决这个问题,我们提出了一种新的算法-鲁棒的共识聚类,可以找到专家的意见,这往往是最小的影响所造成的偏差离群值之间的共同点。特别是,我们形式化的鲁棒一致性聚类问题作为一个约束优化问题,然后推导出一个有效的算法交替方向的乘法器(ADMM)具有严格的收敛保证。我们的方法优于基准的基线。我们将所提出的方法应用于现实世界的广告活动分割和预测任务,使用建议的共识聚类结果的基础上通过Kolmogorov-Smirnov统计计算的相似性。准确的聚类结果有助于建立广告客户档案,以便执行预测。
2022-12-27 cs.AI cs.IR cs.LG
Leveraging Hypernetworks and Learnable Kernels for Consumer Energy Forecasting Across Diverse Consumer Types
The University of Western Ontario(西安大略大学)
本文提出HyperEnergy,利用超网络预测LSTM参数并结合可学习自适应核,以提升多样消费者类型下的能源预测性能,并在多种住宅场景中一致优于LSTM、AttentionLSTM和transformer等10种方法。
2025-02-07 cs.AI cs.LG
Low-Rank Autoregressive Tensor Completion for Multivariate Time Series Forecasting
McGill University(麦吉尔大学)
时间序列预测是一个长期的研究课题,在许多领域都有重要的应用。从传感器网络收集的现代时间序列(例如,能量消耗和交通流量)通常是大规模的和不完整的,具有相当大的破坏和缺失值,使得难以执行准确的预测。在本文中,我们提出了一个低秩自回归张量完成(LATC)框架来建模多元时间序列数据。LATC的关键是将原始多变量时间序列矩阵(例如,传感器$\times$时间点)到三阶张量结构(例如,传感器$\times$一天中的时间$\times$一天),这允许我们将时间序列的固有节奏和季节性建模为全局模式。利用张量结构,我们可以将时间序列预测和缺失数据填补问题转化为一个通用的低秩张量补全问题。除了最小化张量秩,我们还集成了一个新的自回归范数的原始矩阵表示到目标函数。这两个组成部分发挥不同的作用。低秩结构使我们能够有效地捕捉所有三个维度的全球一致性和趋势(即,传感器之间的相似性、不同日期的相似性以及当前时间与历史上的同一天)。自回归范数可以更好地模拟局部时间趋势。我们在三个真实数据集上的数值实验表明,在缺失数据插补和滚动预测任务中,LATC中全局和局部趋势的集成具有优越性。
2020-06-18 cs.LG stat.ML
Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting
Northeastern University(东北大学);Technical University of Munich(慕尼黑工业大学)
短时交通量预测是智能交通系统研究的热点。然而,大多数现有的预测系统是有限的实时探测车数据的要求,因为它们的配方作为一个时间序列预测问题。针对这一问题,NeurIPS 2022年的交通流4cast挑战赛致力于利用公开的稀疏循环计数数据预测全市范围的交通状态。本技术报告介绍了我们的第二名获奖解决方案,以应对ETA预测的扩展挑战。我们提出了一种基于相似性的特征提取方法,使用多个最近邻(NN)过滤器。提取了基于相似性的特征、静态特征、节点流特征和片段组合特征,用于训练梯度提升决策树模型。在三个城市(包括伦敦,马德里和墨尔本)的实验结果表明,我们的方法具有很强的预测性能,在行程时间估计任务中优于一些基于图神经网络的解决方案。源代码可从\url{https://github.com/c-lyu/Traffic4Cast2022-TSE}获得。
2022-11-13 cs.LG
Forecasting high-dimensional dynamics exploiting suboptimal embeddings
Institute of Industrial Science, The University of Tokyo(东京大学工业科学研究所);Kozo Keikaku Engineering Inc.(构计工程株式会社);International Research Center for Neurointelligence (WPI-IRCN), The University of Tokyo(东京大学国际神经智能研究中心(WPI-IRCN));Mathematics and Informatics Center, The University of Tokyo(东京大学数学与信息学中心)
延迟嵌入是一种利用延迟坐标重构动力系统的方法,作为一种无模型方法,被广泛应用于非线性时间序列的预测。当观察到多变量时间序列时,可以应用几个现有的框架来产生组合从各种嵌入导出的多个预测的单个预测。然而,这些框架的性能并不总是令人满意的,因为它们随机选择嵌入或使用蛮力,并且不考虑要组合的嵌入的多样性。在这里,我们开发了一个预测框架,克服了这些现有的问题。该框架利用各种“次优嵌入”通过组合优化最小化样本误差获得。该框架在现有的样本玩具数据集和真实世界的洪水数据集框架中取得了最好的结果。我们表明,该框架适用于广泛的数据长度和尺寸。因此,该框架可以应用于神经科学、生态学、金融、流体动力学、天气和防灾等各个领域。
2019-07-02 cs.LG stat.ML
Towards Diverse and Coherent Augmentation for Time-Series Forecasting
University of California, San Diego(加利福尼亚大学圣迭戈分校);Amazon(亚马逊)
时间序列数据增强缓解了深度学习模型的训练数据不足的问题。然而,现有的增强方法主要是为分类而设计的,即使增强改变了时间动态,也可以保留类别标签。我们注意到,为预测而设计的增强需要多样性以及与原始时间动态的一致性。由于真实物理过程产生的时间序列数据在时域和频域都表现出特征,因此我们建议将谱增强和时间增强(STAug)相结合,以生成更多样化和相干的样本。具体而言,在频域中,我们使用经验模式分解分解的时间序列和重组的子分量与随机权重。通过这种方式,我们生成不同的样本,同时与原始时间关系保持一致,因为它们包含相同的基本组件集。在时域中,我们采用了一种混合策略,该策略可以生成不同的以及线性的相干样本。五个真实世界的时间序列数据集上的实验表明,STAug优于没有数据增强以及最先进的增强方法的基础模型。
2023-03-24 cs.AI cs.LG
UniExtreme: A Universal Foundation Model for Extreme Weather Forecasting
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
UniExtreme是一种通用极端天气预报基础模型,通过自适应频率调制和事件先验增强模块,提升对多样化极端天气事件的预测能力。
2025-09-04 cs.AI 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
FinCast: A Foundation Model for Financial Time-Series Forecasting
School of Computer Science(计算机科学系);The University of Sydney(悉尼大学)
本文提出首个面向金融时间序列预测的基础模型 FinCast,通过大规模金融数据训练,在无需领域特定微调的情况下实现强大零样本预测性能,超越现有最先进方法。
2025-08-27 cs.AI cs.LG q-fin.CP
Forecasting Across Time Series Databases using Recurrent Neural Networks on Groups of Similar Series: A Clustering Approach
Monash University(莫纳什大学);Uber Technologies Inc(优步科技公司)
随着大数据的出现,现在在许多应用程序中,包含大量相似时间序列的数据库是可用的。用传统的单变量预测程序预测这些领域的时间序列,留下了巨大的潜力,产生准确的预测尚未开发。循环神经网络(RNN),特别是长短期记忆(LSTM)网络,最近已经证明,当在所有可用的时间序列上进行训练时,它们能够在这种情况下胜过最先进的单变量时间序列预测方法。然而,如果时间序列数据库是异构的,准确性可能会退化,因此在这个空间中走向全自动预测方法的道路上,需要将时间序列之间的相似性的概念构建到方法中。为此,我们提出了一种预测模型,可以与不同类型的RNN模型一起使用,这些模型可以通过时间序列聚类技术识别。我们使用LSTM网络来评估我们提出的方法,LSTM网络是一种广泛流行的RNN变体。我们的方法在竞争评估程序下的基准数据集上取得了有竞争力的结果。特别是在平均sMAPE准确性方面,它始终优于基线LSTM模型,并且在CIF 2016预测竞赛数据集上优于所有其他方法。
2018-09-12 cs.DB cs.LG econ.EM
Targeted Attacks on Timeseries Forecasting
AIShield;Bosch Global Software Technologies(博世全球软件技术公司)
为时间序列预测开发的真实世界深度学习模型用于从医疗设备到安全领域的多个关键应用。许多以前的作品已经展示了深度学习模型如何容易受到对抗攻击,并研究了它们的漏洞。然而,时间序列模型的预测,由于对抗性的投入的脆弱性没有得到广泛的探讨。虽然对预测模型的攻击可能旨在降低模型的性能,但如果攻击集中在对模型输出的特定影响上,则会更有效。在本文中,我们提出了一种新的配方定向,幅度,时间有针对性的对抗攻击的时间序列预测模型。这些有针对性的攻击会对输出预测的幅度和方向产生特定的影响。我们使用现有的计算机视觉领域的对抗攻击技术,并将其应用于时间序列。此外,我们提出了一个修改版本的自动投影梯度下降攻击的目标攻击。我们研究了拟议的有针对性的攻击与无针对性的攻击的影响。我们使用KS测试来统计证明攻击的影响。我们的实验结果表明,针对时间序列模型的攻击是可行的,并且在统计相似性方面更强大。因此,很难通过统计方法进行检测。我们相信,这项工作在时间序列预测领域开辟了一个新的范例,并代表了开发更好的防御的重要考虑。
2023-01-27 cs.AI cs.CR cs.LG
Graph Neural Networks with Diversity-aware Neighbor Selection and Dynamic Multi-scale Fusion for Multivariate Time Series Forecasting
University of Southern California(南加州大学);New York University(纽约大学)
针对GNN多元时间序列预测中邻居信息冗余和单一时间尺度表示的问题,提出DIMIGNN,通过DNSM选择兼顾相似性与多样性的邻居,并利用DMFM动态融合多尺度预测,实验证明其性能持续优于已有方法。
2025-09-28 cs.AI cs.LG
Latent Similarity Gaussian Processes: A Theory-Grounded Approach to Personalized Suicide-Risk Forecasting for Clinical Decision-Support
Wellesley College(韦尔斯利学院);Harvard University(哈佛大学);Harvard Medical School(哈佛医学院);Massachusetts General Hospital(麻省总医院)
针对自杀风险预测中患者异质性和事件低发率问题,提出潜在相似性高斯过程,通过潜在空间建模相似性并选择性利用同伴信息,实证显示优于现有模型,尤其提升首次事件预测。
2026-10-06 cs.LG stat.ML
Pattern Similarity-based Machine Learning Methods for Mid-term Load Forecasting: A Comparative Study
Częstochowa University of Technology(琴希托霍瓦工业大学)
基于模式相似性的方法被广泛应用于分类和回归问题。在季节性时间序列中观察到的重复的、形状相似的周期鼓励人们应用这些方法进行预测。在本文中,我们使用模式相似性为基础的方法来预测月度电力需求表示年度季节性。模型的一个组成部分是使用时间序列模式的时间序列表示。模式表示通过趋势滤波和方差均衡保证了输入和输出数据的统一。因此,模式表示简化了预测问题,并允许我们使用基于模式相似性的模型。我们考虑了四个这样的模型:最近邻模型,模糊邻域模型,核回归模型和一般回归神经网络。通过聚合输出模式构建回归函数,其中权重取决于输入模式之间的相似性。所提出的模型的优点是:清晰的操作原理,少量的参数调整,快速优化过程,良好的泛化能力,工作在最新的数据没有再训练,鲁棒性丢失的输入变量,并生成一个向量作为输出。在实验部分的工作,所提出的模型被用来预测35个欧洲国家的月度需求。将模型性能与ARIMA、指数平滑等经典模型以及多层感知器、神经模糊系统、长短期记忆模型进行了比较。结果表明,所提出的模型的高性能优于比较模型的准确性,简单性和易于优化。
2020-03-03 cs.LG stat.ML
ReAugment: Model Zoo-Guided RL for Few-Shot Time Series Augmentation and Forecasting
MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University(人工智能大模型关键实验室、人工智能研究院、上海交通大学)
ReAugment是基于模型库的强化学习方法,用于小样本时间序列增强与预测,可识别易过拟合样本并自适应生成新数据,提升预测效果。
2026-08-21 cs.LG
Contrastive Similarity Learning for Market Forecasting: The ContraSim Framework
University of Guelph(圭尔夫大学);University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(矢量人工智能研究院);Dalhousie University(达尔豪斯大学)
ContraSim 框架通过加权头条增强与自监督对比学习构建语义嵌入空间,提升金融预测准确率7%,并聚类同向市场日,辅助分析师参考历史相似事件预测趋势。
2025-02-22 cs.LG q-fin.ST
StaFIR: Convex Learning of Stationarity-Aware Causal Filters
Drakai Capital
StaFIR通过凸学习优化因果滤波器,平衡平稳性与输入相似性,在金融时间序列中实现自适应滤波,提升信号保真度且不牺牲预测精度。
2026-10-07 cs.LG
Weather Analogs with a Machine Learning Similarity Metric for Renewable Resource Forecasting
Pennsylvania State University(宾夕法尼亚州立大学);University of California San Diego(加利福尼亚大学圣迭戈分校);Scripps Institute of Oceanography(斯克里普斯海洋研究所)
模拟集合(AnEn)技术已被证明在几个天气问题上是有效的。与以前在大空间域和扩展时间窗口内寻求的天气模拟不同,AnEn严格限制空间和时间,并在短时间窗口内在每个网格点独立生成结果。AnEn可以找到类似的预测,导致准确和校准的集合预测。AnEn技术的中心核心是一种相似性度量,该度量将历史预测相对于新目标预测进行分类。一个常用的度量是欧氏距离。然而,使用该度量的一个显著困难是定义所有参数的权重。通常,需要进行特征选择和广泛的权重搜索。本文提出了一种新的定义,通过机器学习(ML)的相似性度量的天气模拟。相似性度量使用经过训练和实例化的神经网络来搜索天气类似物。这种新的度量允许合并所有变量,而无需预先进行特征选择和权重优化。最后,给出了该方法在风速和太阳辐照度预报中的应用试验。结果表明,ML度量一般优于原始度量。ML度量具有更好的纠正较大错误和利用较大搜索存储库的能力。使用学习的度量的空间预测也显示了定义可转移到其他位置的有效潜在特征的能力。
2021-03-09 cs.LG eess.SP
Reaching the Tail: Calibration Diversity Drives Conformal Coverage under Data Scarcity
University of Moratuwa(莫拉图瓦大学)
本文针对长宏观经济序列数据稀缺下的多期罕见事件预测难题,提出基于校准多样性的策略,将六个月覆盖率从67.8%提升至81.4%,并量化了诚实评分下六个月覆盖率能否达90%的待解问题。
2026-08-25 cs.LG
Small Graph Is All You Need: DeepStateGNN for Scalable Traffic Forecasting
Kiel University(基尔大学);University of Southern California(南加州大学)
本文提出 DeepStateGNN,通过多相似性准则将传感器聚类为固定数量的 Deep State Nodes,以提升大规模交通网络上预测与重构的可扩展性、训练速度和精度。
2025-02-20 cs.AI cs.LG