Addressing Challenges in Time Series Forecasting: A Comprehensive Comparison of Machine Learning Techniques
School of Automotive and Traffic Engineering, Jiangsu University（江苏大学汽车与交通工程学院）
本文针对时间序列预测挑战，比较多种机器学习算法与ARIMA在不同数据集（完整、含异常值、含缺失值）上的长期预测准确性，以指导算法选择。
2025-03-26 cs.LG
Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon
Universidade Estadual da Paraíba（帕拉伊巴州立大学）
本研究针对巴西亚马逊地区AQUA_M-T卫星探测的活跃火点时间序列，提出结合LSTM和GRU的混合RNN预测模型，经双种子交叉验证验证其能有效捕捉季节性并实现优异预测性能，为环境监测及自然现象预测的深度学习应用提供新方向。
2024-11-01 cs.AI cs.LG stat.AP
Neural Chronos ODE: Unveiling Temporal Patterns and Forecasting Future and Past Trends in Time Series Data
Centre of Mathematics, University of Minho（米尼奥大学数学中心）
本文提出神经时间序常微分方程（Neural CODE）架构，通过连续时间ODE拟合实现时间序列的前向和后向预测，并探索与RNN的结合变体；实验表明其在稀疏数据下优于Neural ODE，且双向变体在插补和外推任务上表现最佳。
2023-07-03 cs.LG
Addressing Deep Learning Model Uncertainty in Long-Range Climate Forecasting with Late Fusion
IBM Research（IBM研究院）
全球变暖导致极端气候事件的频率和强度增加，造成巨大的生命和财产损失。准确的长期气候预测可以为此类极端事件的准备和灾害风险管理提供更多的时间。虽然机器学习方法在长期气候预测中显示出有希望的结果，但相关的模型不确定性可能会降低其可靠性。为了解决这个问题，我们提出了一种后期融合方法，系统地结合多个模型的预测，以减少融合结果的预期误差。我们还提出了一个网络架构与新的去规范化层，以获得数据规范化的好处，而实际上没有规范化的数据。对2m气温长期预报的试验结果表明，该框架的预报效果优于30年气候平均值，且预报精度可以通过增加模式数量来提高。
2021-12-10 cs.LG
Exploratory Analysis of Deep Learning Models for Forecasting Meteorological Parameters in the Agricultural Sector
Lodz Universtiy of Technlogy（罗兹工业大学）；MicroComputer Systems Laboratory（微计算机系统实验室）；University of Ioannina（约阿尼纳大学）
研究对深度学习架构进行比较评估，用于农业气象参数多变量预测，利用希腊约阿尼纳的观测数据，对比多种模型在24小时次日和168小时提前一周预测任务中的表现，发现混合模型在短期预测中更优且参数更少。
2026-07-14 cs.AI cs.LG
Recurrent Neural Networks for Time Series Forecasting
University of Debrecen（德布勒森大学）
时间序列预测是困难的。即使对于具有固有学习序列性能力的循环神经网络来说，这也是困难的。本文提出了一个基于递归神经网络的时间序列预测框架，涵盖特征工程，特征重要性，点和区间预测，预测评估。该方法的描述之后是使用LSTM和GRU网络的实证研究。
2019-01-01 cs.LG stat.ML
A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19
Indian Institute of Technology Indore（印度印多尔印度理工学院）
本研究提出Multilateral Attention-enhanced GRU模型，利用多源数据和注意力机制捕捉复杂时间依赖关系以预测COVID-19等传染病爆发，并整理了多源数据集，实验证明该模型在RMSE和MAE指标上超越现有技术。
2024-08-26 cs.LG
TwinFormer: A Dual-Level Transformer for Long-Sequence Time-Series Forecasting
Operations Management and Quantitative Techniques Area, Indian Institute of Management Indore（印度管理学院印第安纳分校运营管理与定量技术部门）
TwinFormer通过双阶段Transformer架构，结合top-k稀疏注意力和GRU聚合，实现高效长序列时间序列预测，优于多种现有方法。
2025-12-13 cs.LG
The effects of regularisation on RNN models for time series forecasting: Covid-19 as an example
University of Exeter（埃克塞特大学）；British Telecommunications plc.（英国电信公司）
许多提出模型来预测COVID-19大流行过程的研究论文要么使用手工制作的统计模型，要么使用大型神经网络。尽管大型神经网络比简单的统计模型更强大，但在小数据集上进行训练尤其困难。本文不仅提出了一个模型具有更大的灵活性比其他提出的神经网络，但也提出了一个模型，是有效的较小的数据集。为了提高小数据的性能，测试了六种正则化方法。结果表明，GRU与20%辍学相结合，取得了最低的RMSE分数。主要的发现是，对数据访问较少的模型更依赖于正则化器。将Dropout应用于仅用28天数据训练的GRU模型，RMSE降低了23%。
2021-05-09 cs.AI cs.LG
Deep State Space Recurrent Neural Networks for Time Series Forecasting
CREST-ENSAE；Institut Polytechnique de Paris（巴黎综合理工学院）
针对加密货币市场动态预测，提出融合状态空间模型与RNN的框架，采用LSTM、GRU和TKANs，其中TKANs表现最佳。
2024-07-21 cs.LG
From Link Prediction to Forecasting: Addressing Challenges in Batch-based Temporal Graph Learning
Center for Artificial Intelligence and Data Science (CAIDAS)（人工智能与数据科学中心（CAIDAS））；Julius-Maximilians-Universität Würzburg（维尔茨堡大学）
本文提出将动态链接预测转化为链接预测任务，以解决基于批次的时序图学习中的信息丢失和不一致问题。
2026-02-05 cs.LG
Comparison of Deep learning models on time series forecasting : a case study of Dissolved Oxygen Prediction
University of Pennsylvania（宾夕法尼亚大学）
最近，深度学习在序列学习领域取得了令人印象深刻的预测性能。溶解氧预测作为一种时间序列预测，适合于该技术。虽然许多研究者已经开发出基于深度学习技术的混合模型或变体模型，但目前还没有对该领域的深度学习模型进行全面、合理的比较。此外，以前的大多数研究都集中在使用小数据集进行一步预测。由于可以方便地获取高频数据，本文通过使用向前走验证来比较多步深度学习预测。具体来说，我们基于2012 - 2016年长江固定观测点自动记录的实时数据，对卷积神经网络（CNN）、时间卷积网络（TCN）、长短期记忆（LSTM）、门控递归单元（GRU）、双向递归神经网络（BiRNN）进行了测试。通过比较各时间步的均方根误差（RMSE）、平均绝对误差（MAE）和决定系数的平均累积统计度量，发现对于多步时间序列预测，各时间步的平均性能并不是线性下降的。GRU优于其他型号，具有显著优势。
2019-11-21 cs.LG eess.SP stat.AP
Addressing Concept Shift in Online Time Series Forecasting: Detect-then-Adapt
Chinese Academy of Sciences (CASIA)（中国科学院）；University of Chinese Academy of Sciences (UCAS)（中国科学院大学）；Alibaba Group（阿里巴巴集团）；Squirrel AI Group（松鼠AI智适应教育集团）；Meta AI Group（元宇宙人工智能集团）
提出D3A方法解决在线时间序列预测中的累积概念漂移问题，通过先检测漂移再积极适应模型，并引入高斯噪声的数据增强策略，在六个数据集上显著降低了MSE。
2024-03-22 cs.LG
Tackling Time-Series Forecasting Generalization via Mitigating Concept Drift
Georgia Institute of Technology（佐治亚理工学院）
本文提出ShifTS框架，通过统一处理时间序列中的时间漂移和概念漂移，提升预测准确性。
2026-03-25 cs.LG
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
Comprehensive Forecasting-Based Analysis of Hybrid and Stacked Stateful/ Stateless Models
Mississippi State University（密西西比州立大学）
本文针对密西西比州立大学机场站点短期风速预测，系统比较堆叠有状态/无状态LSTM与GRU四种模型的架构、RMSE表现及时间空间复杂度。
2024-04-30 cs.AI cs.LG
Short-term Demand Forecasting for Online Car-hailing Services using Recurrent Neural Networks
University of Tehran（德黑兰大学）
短时交通流预测是智能交通系统的关键问题之一，是智慧城市的重要组成部分。准确的预测可以使驾驶员和乘客更好地决定他们的出行路线，出发时间和出行起点的选择，这可以有助于交通管理。基于时间序列预测和机器学习的多种模型和算法被应用于该问题，并取得了令人满意的结果。最近，充足的数据和计算能力的可用性促使我们通过深度学习方法来提高预测精度。循环神经网络已成为时间序列预测中最流行的方法之一，然而，由于这些网络的多样性，哪种类型的网络是最适合这一任务的问题仍然没有得到解决。本文采用简单RNN单元、GRU和LSTM神经网络三种递归神经网络进行短时交通流预测。来自TAP30 Corporation的数据集用于构建模型，并将RNN与几个知名模型（如DEMA，LASSO和XGBoost）进行比较。结果表明，所有三种类型的RNN都优于其他RNN，但是，更简单的RNN，如简单的递归单元和GRU，在准确性和训练时间方面比LSTM表现得更好。
2019-01-29 cs.LG stat.ML
Enhancing Forecasting with a 2D Time Series Approach for Cohort-Based Data
Lightricks（利加特里克斯）
本文提出一种二维时间序列预测模型，通过整合队列随时间的演化行为解决小数据环境下的预测难题，并在多个真实数据集上验证其准确性和适应性优于参考模型，为财务与营销领域的战略决策提供支持。
2025-08-21 cs.LG
Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic Forecasting
Nanjing University（南京大学）
交通预测作为智能交通系统的重要组成部分，引起了学术界和工业界的极大关注。尽管人们提出了许多交通预测方法，但对复杂的时空相关性建模仍然是一个难题。时间依赖包括短期依赖和长期依赖，后者往往被忽视。空间依赖可以分为基于距离的空间依赖和隐藏的空间依赖。为了模拟复杂的时空依赖性，我们提出了一种新的框架，称为时空图卷积门递归网络（STGCGRN）的流量预测。我们设计了一个注意力模块，通过挖掘流量数据中的周期性信息来捕获长期依赖。本文提出了一种双图卷积门控递归单元（DGCGRU），它将图卷积网络和GRU相结合，来捕获空间依赖性。图卷积部分分别用基于距离的预定义邻接矩阵和自适应邻接矩阵对基于距离的空间依赖和隐藏的空间依赖进行建模。特别地，我们采用多头机制来捕获多个隐藏的依赖关系。此外，每个预测节点的周期模式可能不同，这往往被忽略，导致在建模空间依赖性时节点之间的周期信息相互干扰。为此，我们探索了模型的体系结构，并提高了性能。在四个数据集上的实验证明了该模型的优越性能。
2022-10-06 cs.LG
Multi-spatial Multi-temporal Air Quality Forecasting with Integrated Monitoring and Reanalysis Data
The Hong Kong Polytechnic University（香港理工大学）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（东方理工高等研究院宁波数字孪生研究院）；Shanghai Jiao Tong University（上海交通大学）；Mälardalens University（梅拉达伦大学）
提出M2G2模型，通过多尺度空间GCN和多尺度时间GRU模块整合监测站与城市尺度及多时间尺度信息，在空气质量预测中超越九种先进方法，实现更高精度。
2023-12-31 cs.AI cs.LG stat.AP
Hybrid Quantum Neural Network for Multivariate Clinical Time Series Forecasting
Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University, Sweden（诊断与介入部门，辐射物理，生物医学工程，乌梅大学，瑞典）；Department of Naval, Electrical, Electronics and Telecommunications Engineering, University of Genoa, Italy（海军、电气、电子与电信工程部门，热那亚大学，意大利）
提出一种混合量子-经典架构，将变分量子电路集成到循环神经网络中，用于多变量生理时间序列的多步预测，在BIDMC数据集上表现出与基线相当的精度和更强的鲁棒性。
2026-05-25 cs.LG
Comprehensive forecasting based analysis using stacked stateless and stateful Gated Recurrent Unit models
Swami Vivekananda Institute of Science & Technology（斯瓦米·维韦卡南达科学技术学院）；Department of Computer Science and Engineering（计算机科学与工程系）
光伏发电是一种可再生能源，在工业中得到了广泛的应用。在经济困难的国家，它可能是一种潜在的电能来源，因为其他不可再生资源已经耗尽。现在，如果在研究之前在一个地区安装光伏电池，它可能无法提供运行该地区所需的期望能量输出。因此，预测是必需的，它可以引出输出从一个特定的区域考虑其几何坐标，太阳能参数，如GHI和天气参数，如温度和风速等，我们的论文探讨了四个这样的地区，其中三个是在西孟加拉邦和一个外部描绘与使用堆叠门控递归单元（GRU）模型的太阳辐照度预测。我们已经检查了状态堆叠门控递归单元模型显着提高了预测精度。
2020-08-14 cs.LG cs.NE
Taming the Long Tail of Deep Probabilistic Forecasting
University of California, San Diego（加州大学圣地亚哥分校）
深度概率预测在许多应用中越来越受到关注，从天气预报到电力消耗估计，再到自动驾驶车辆轨迹预测。然而，现有的方法集中在最常见的情况下，没有解决罕见的和困难的情况下的性能的改进。在这项工作中，我们确定了最先进的深度学习方法在概率预测方面的长尾行为。我们提出了两个基于矩的尾部测量概念，以提高性能的困难的尾巴的例子：帕累托损失和峰度损失。峰度损失是关于损失分布的平均值的四阶矩的对称度量。帕累托损失是不对称的测量右尾，使用广义帕累托分布（GPD）建模的损失。我们展示了我们的方法在几个真实世界的数据集，包括时间序列和时空轨迹的性能，实现了显着的改善尾部的例子。
2022-03-02 cs.LG
A FEDformer-Based Hybrid Framework for Anomaly Detection and Risk Forecasting in Financial Time Series
Yunnan Agricultural University（云南农业大学）；New York University（纽约大学）；Carnegie Mellon University（卡内基梅隆大学）
针对传统深度学习模型难以捕捉非平稳金融数据长期依赖与周期模式的问题，提出集成FEDformer、残差异常检测器与风险预测头的混合框架，在多类金融数据集上取得更优的异常检测与风险预测效果。
2025-11-17 cs.LG
A multi-source data power load forecasting method using attention mechanism-based parallel cnn-gru
Southwest Petroleum University（西南石油大学）；Southwest University of Science and Technology（西南科技大学）；Sinopec Zhongyuan Oilfield Company（中国石化中原油田分公司）
本文提出基于注意力机制的并行CNN-GRU模型（PCGA），通过并行结构整合动态和静态多源数据特征进行电力负荷预测，理论证明并行结构具有更强泛化能力，实验验证其优势。
2024-09-26 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
Forecasting Pressure Of Ventilator Using A Hybrid Deep Learning Model Built With Bi-LSTM and Bi-GRU To Simulate Ventilation
Khulna University of Engineering & Technology（库尔纳工程技术大学）
呼吸机模拟系统可以使机械通气更容易和更有效。因此，在设计模拟呼吸机时，预测患者的呼吸机压力是必不可少的。我们提出了一种基于混合深度学习的方法来预测患者所需的呼吸机压力。该系统由Bi-LSTM和Bi-GRU网络组成。SELU激活函数被用于我们提出的模型。MAE和MSE被用来检查所提出的模型的准确性，使我们提出的方法可以应用到现实世界的问题。该模型对测试数据表现良好，造成的损失太少。研究的主要内容包括数据汇集、数据分析、数据清洗、Bi-LSTM和Bi-GRU混合模型的构建、模型训练、模型评估和结果分析。我们将我们的研究结果与一些当代作品进行了比较，我们提出的模型比那些模型表现得更好。
2023-02-19 cs.LG
Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer
本文提出Bi-LSTM嵌入去噪自编码器模型BDM用于短期电动汽车充电负荷预测，在五个时间步中的四个上优于Transformer、CNN、RNN、LSTM和GRU等基准模型，提升了时间序列预测与决策能力。
2025-09-21 cs.AI cs.LG
An Investigation into Seasonal Variations in Energy Forecasting for Student Residences
Department of Electrical and Computer Engineering（电气与计算机工程系）；Western University（西部大学）
本研究评估了多种机器学习模型在学生公寓能源预测中应对季节性变化的表现，发现无单一模型全年最优，并提出基于Hyper Network的LSTM和MiniAutoEncXGBoost模型，有效捕捉夏季能耗突变。
2025-06-29 cs.AI cs.LG
Short-term wind speed forecasting model based on an attention-gated recurrent neural network and error correction strategy
本文提出一种基于SSA-AtGRU-VMD-GRU的短期风速预测模型，通过AtGRU初步预测、SSA降噪及VMD处理误差并用GRU校正，显著提升了预测精度。
2024-04-22 cs.AI cs.LG physics.ao-ph
Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models
Arizona State University（亚利桑那州立大学）
本研究针对智能电网中的短期负荷预测，评估了XGBoost、LightGBM、LSTM、GRU及混合模型，并采用皮尔逊相关系数分析外生变量，实验证明机器学习模型优于ARIMA基线。
2025-05-14 cs.LG eess.SP
Combining Deep Learning and GARCH Models for Financial Volatility and Risk Forecasting
Krakow University of Economics（克拉科夫经济大学）；University of Warsaw（华沙大学）
本研究结合GARCH类模型与GRU网络构建混合金融预测方法，经三类资产测试发现其能提升点波动率预测精度，但未必能优化VaR与ES风险预测效果。
2023-10-02 cs.AI cs.LG q-fin.CP
Electric Vehicle Charging Load Forecasting: An Experimental Comparison of Machine Learning Methods
University of Piraeus（比雷埃夫斯大学）
本文通过实验比较了多种机器学习方法在不同时间跨度和空间聚合水平下的电动汽车充电需求预测性能。
2026-03-31 cs.LG
Industrial Forecasting with Exponentially Smoothed Recurrent Neural Networks
Illinois Institute of Technology（伊利诺伊理工学院）
时间序列建模已经进入了一个数据规模和复杂性空前增长的时代，这需要新的建模方法。虽然出现了许多新的通用机器学习方法，但它们仍然难以理解，并且与更传统的统计建模方法不可调和。我们提出了一类指数平滑循环神经网络（RNN），非常适合于建模非平稳动态系统中出现的工业应用。特别是，我们分析他们的能力，以表征非线性偏自相关结构的时间序列，并直接捕捉动态的影响，如季节性和趋势。指数平滑RNN预测电力负荷，天气数据和股票价格的应用突出了指数平滑隐藏状态的多步时间序列预测的有效性。研究结果还表明，流行的，但更复杂的神经网络架构最初是为语音处理设计的，如LSTM和GRU，可能被过度设计用于工业预测和轻量级指数平滑架构，在一小部分时间内训练，捕捉显著特征，同时比简单的RNN和ARIMA模型更优越，更强大。此外，不确定性量化的指数平滑循环神经网络，贝叶斯估计，提供了更好的覆盖。
2020-10-30 cs.LG stat.ML
Towards Generalized Hydrological Forecasting using Transformer Models for 120-Hour Streamflow Prediction
IIHR—Hydroscience and Engineering, University of Iowa（爱荷华大学 IIHR—水科学与工程研究所）；Civil and Environmental Engineering, University of Iowa（爱荷华大学土木与环境工程系）；Electrical and Computer Engineering, University of Iowa（爱荷华大学电气与计算机工程系）
针对特定地点水文模型泛化不足的问题，本文基于前72小时降水、蒸散和流量数据训练Transformer，在爱荷华州125个地点完成120小时径流预测，多项指标优于LSTM、GRU、Seq2Seq和Persistence。
2024-06-11 cs.LG
Unified Training of Universal Time Series Forecasting Transformers
Salesforce AI Research（Salesforce AI研究院）；School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
本文提出Moirai，一种基于掩码编码器的通用时间序列预测Transformer，通过跨频率学习等改进，在大规模数据集LOTSA上训练，实现零样本预测性能媲美全样本模型。
2024-05-22 cs.AI cs.LG
From Distributional to Quantile Neural Basis Models: the case of Electricity Price Forecasting
CNR, Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing（CNR，智能工业技术与系统研究所）
该研究提出Quantile Neural Basis Model，将分位数广义可加模型的可解释性融入端到端神经网络，无需参数化分布假设，在电力价格预测中实现了与现有神经网络相当的性能并提供了模型行为见解。
2025-09-17 cs.LG
Time Series Forecasting (TSF) Using Various Deep Learning Models
Florida International University（佛罗里达国际大学）；Rashtreeya Vidyalaya College of Engineering（拉什特里亚·维迪亚拉亚工程学院）
时间序列预测（TSF）是用来预测目标变量在未来的时间点的基础上从以前的时间点的学习。为了使问题易于处理，学习方法使用过去固定长度窗口的数据作为显式输入。在本文中，我们研究了预测模型的性能如何随着不同的回顾窗口大小和不同的预测时间而变化。我们还考虑了最近的基于注意力的Transformer模型的性能，该模型在图像处理和自然语言处理领域取得了很好的成功。总之，我们比较了四种不同的深度学习方法（RNN，LSTM，GRU和Transformer）以及基线方法。我们使用的数据集（每小时）是来自UCI网站的北京空气质量数据集，其中包括5年（2010-14）每小时测量的许多因素的多变量时间序列。对于每个模型，我们还报告了性能与回看窗口大小和预测未来时间点数量之间的关系。我们的实验表明，对于我们的大多数单步和多步预测，Transformer模型具有最佳性能，平均误差（MAE = 14.599，23.273）和均方根误差（RSME = 23.573，38.131）最低。预测未来1小时的最佳回顾窗口大小似乎是一天，而预测未来3小时的最佳时间是2或4天。
2022-04-23 cs.LG
Rail Crack Propagation Forecasting Using Multi-horizons RNNs
IRT SystemX（SystemX数字技术研究所）；SNCF（法国国家铁路公司）
该研究提出一种基于贝叶斯多时间尺度循环神经网络的钢轨裂纹扩展预测方法，利用法国铁路网络真实数据，优于LSTM和GRU等现有模型。
2023-09-04 cs.AI cs.LG
Forecasting Day-Ahead Electricity Prices in the Integrated Single Electricity Market: Addressing Volatility with Comparative Machine Learning Methods
School of Electronics, Electrical Engineering and Computer Science, Queen’s University Belfast（贝尔法斯特女王大学电子、电气工程与计算机科学学院）
本研究针对爱尔兰综合单一电力市场的高波动日前电价，对比传统机器学习与神经网络模型及不同训练周期的预测效果，明确了欧盟气价等关键特征的重要性及可再生能源对电价的压低作用。
2024-08-10 cs.AI cs.LG cs.SY
TMAML: Temporal Model-Agnostic Meta-Learning for Cold-Start Time Series Forecasting
Ghent University（根特大学）
针对冷启动时间序列预测，提出时间模型无关元学习（TMAML），通过构建时间一致的元任务并优化模型，使预测模型在少数据下快速适应，实证表明其优于或匹配标准训练模型。
2026-10-06 cs.LG
Electrical Behavior Association Mining for Household ShortTerm Energy Consumption Forecasting
College of Electrical Engineering, Zhejiang University（浙江大学电气工程学院）；Polytechnic Institute, Zhejiang University（浙江大学理工学院）
针对家庭短期能耗预测因用户行为随机性而准确度低的问题，提出基于用电行为关联挖掘与CNN-GRU模型的新方法，通过概率关联建模生成关联簇并捕捉时间相关性，显著提升了日前预测精度。
2024-01-26 cs.AI cs.LG cs.SY
COMEX Copper Futures Volatility Forecasting: Econometric Models and Deep Learning
The Hong Kong University of Science and Technology, Guangzhou（香港科技大学（广州））；The Chinese University of Hong Kong（香港中文大学）
本研究对比计量模型与深度学习模型对COMEX铜期货波动率的预测效果，发现日度预测下HAR模型最优，小时级高频数据下深度学习模型表现优于GARCH且接近HAR。
2024-09-12 cs.LG q-fin.MF
Time Aggregation and Model Interpretation for Deep Multivariate Longitudinal Patient Outcome Forecasting Systems in Chronic Ambulatory Care
Bakar Computational Health Sciences Institute, University of California, San Francisco（加州大学旧金山分校巴卡尔计算健康科学研究所）
门诊护理的临床数据占国家医疗保健支出的90%，其特点是纵向数据的样本量相对较小，每个患者的就诊间隔不等，患者之间收集的数据点数量不等。虽然深度学习已成为序列建模的最新技术，但尚不清楚哪种时间聚合方法最适合这些具有挑战性的时间用例。此外，医生通常认为深度模型不可解释，这可能会阻止临床采用，即使是性能良好的模型。我们表明，时间分布密集层与GRU相结合，产生最普遍的模型。此外，我们提供了一个框架的模型的临床解释。
2018-11-30 cs.AI cs.LG stat.ML
Unify and Anchor: A Context-Aware Transformer for Cross-Domain Time Series Forecasting
Nanjing University（南京大学）；HKUST(GZ)（香港科技大学（广州））
针对跨域时间序列预测中的时间模式复杂性与语义错位问题，提出“Unify and Anchor”迁移范式及基于Transformer的ContexTST模型，通过解耦频率成分和引入外部上下文锚点实现跨域泛化，显著提升了预测性能与零样本迁移能力。
2025-03-03 cs.LG
Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting
针对现有全局时间序列预测模型未考虑邻接序列状态、多变量模型复杂度高难以扩展的问题，提出线性复杂度的Context Neural Network，通过引入邻接序列实时信息增强预测，兼顾效果与大规模数据的计算可行性。
2024-05-12 cs.AI cs.LG
Conformalized Adaptive Forecasting of Heterogeneous Trajectories
University of Southern California（南加州大学）
针对运动规划中异构轨迹行为不确定性难可靠估计的问题，提出融合多类共形预测与异方差处理技术的共形化自适应预测方法，可生成带有限样本保证的高信息量轨迹预测带。
2024-05-15 cs.LG stat.ML
A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices
School of Mathematics and Statistics, Carleton University（数学与统计学学院，卡尔顿大学）
本文提出一种结合注意力Transformer和GRU的深度学习混合模型，利用历史价格、交易量和恐惧与贪婪指数预测比特币和以太坊价格，实验表明其准确率优于RBFN、GRNN、BiLSTM和BiGRU等基线模型。
2025-04-29 cs.LG stat.AP
Time series forecasting of new cases and new deaths rate for COVID-19 using deep learning methods
Savitribai Phule Pune University（萨维特里拜·菲勒浦那大学）；Deakin University（迪肯大学）；Ferdowsi University of Mashhad（菲尔多西马什哈德大学）；K. N. Toosi University of Technology（图西理工大学）；Universidad de Granada（格拉纳达大学）；University of Bojnord（博季努尔德大学）；Brno University of Technology（布尔诺理工大学）；Technische Universität Dresden（德累斯顿工业大学）；Obuda University（欧布达大学）；Norwegian University of Life Sciences（挪威生命科学大学）
2019年12月发现了第一例2019冠状病毒病（COVID-19）。它已在世界范围内传播，导致了持续的流行病，给许多国家带来了限制和代价。预测这一时期的新病例和死亡人数可以是预测未来所需费用和设施的有用步骤。这项研究的目的是预测未来100天内提前一天、三天和七天的新病例和死亡率。每n天（而不是每天）预测一次的动机是研究降低计算成本并仍然实现合理性能的可能性。在时间序列的实时预测中可能会遇到这种情况。六种不同的深度学习方法在世界卫生组织网站上采用的数据上进行了检查。三种方法是LSTM，卷积LSTM和GRU。然后考虑每种方法的双向扩展，以预测澳大利亚和伊朗国家的新发病例和新发死亡率。这项研究是新颖的，因为它对上述三种深度学习方法及其双向扩展进行了综合评估，以预测COVID-19新病例和新死亡率时间序列。据我们所知，这是首次将Bi-GRU和Bi-Conv-LSTM模型用于COVID-19新发病例和新发死亡病例时间序列的预测。以图表和弗里德曼统计检验的形式对这些方法进行了评价。结果表明，双向模型具有较低的误差比其他模型。给出了几种误差评价指标，对各种模型进行了比较，最后确定了双向方法的优越性。这项研究可能对对抗COVID-19的组织和确定其长期计划有用。
2021-12-25 cs.CV cs.LG
MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model
Khulna University of Engineering and Technology (KUET)（库尔纳工程技术大学）；Okinawa Institute of Science and Technology Graduate University (OIST)（冲绳科学技术大学院大学）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
提出多通道数据融合网络（MCDFN），融合CNN、LSTM和GRU提取时空特征，结合可解释AI技术，在供应链需求预测中优于七种基线模型并验证了预测有效性。
2025-03-01 cs.AI cs.LG
A Hype-Adjusted Probability Measure for NLP Stock Return Forecasting
Johns Hopkins University（约翰斯·霍普金斯大学）
本文针对美国半导体板块股票，提出含炒作调整概率测度的NLP预测方法，通过新情绪得分方程处理新闻偏差等问题并扩展概率测度变换工具应用，提升了股票收益与波动率预测准确性。
2025-02-07 cs.LG q-fin.CP
Addressing Cold Start in Recommender Systems with Hierarchical Graph Neural Networks
Skoltech（斯科尔科沃科学技术研究所）
推荐系统已经成为广泛行业中个性化用户体验的重要工具。引起研究人员和行业专家关注的一个重要问题是新产品的冷启动问题。在这项工作中，我们提出了一个图神经网络推荐系统使用项目层次图和定制的架构来处理冷启动的情况下，项目。在多个数据集和数百万用户和交互上的实验研究表明，我们的方法在计算时间相当的情况下，比最先进的方法实现了更好的预测质量。
2020-12-01 cs.LG stat.ML
Multi-Agent Stock Prediction Systems: Machine Learning Models, Simulations, and Real-Time Trading Strategies
该研究聚焦股价预测问题，对比评估多种循环神经网络架构的预测性能，发现基于注意力机制的模型因能同时捕捉长短依赖实现最高准确率，为AI驱动金融预测及高效交易系统开发提供参考。
2025-02-21 cs.LG q-fin.ST
Machine Learning for Campus Energy Resilience: Clustering and Time-Series Forecasting in Intelligent Load Shedding
University of Lagos（拉各斯大学）
本研究针对拉各斯大学提出基于机器学习的智能减载框架，通过主成分分析降维和Mini-Batch K-Means聚类划分建筑需求等级，并结合Prophet等模型进行短期负荷预测，实现更公平、数据驱动的配电优化。
2025-09-21 cs.LG cs.SY eess.SY
