Model-agnostic Retrieval-Augmented Extended Forecasting for time series
该研究提出模型无关的RAEF方法，通过改进检索与聚合机制提升时间序列预测性能，其效果优于RAF，兼具高效性与竞争力，可替代微调用于时间序列预测的领域适配。
2026-08-17 cs.LG
Retrieval Augmented Time Series Forecasting
KAIST（韩国科学技术院）
本文提出检索增强时间序列预测方法RAFT，通过检索相似历史模式并利用其未来值增强预测，在十个基准数据集上平均胜率达86%。
2025-05-07 cs.IR cs.LG
Resolution-Aware Retrieval Augmented Zero-Shot Forecasting
Manning College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）；Microsoft Research（微软研究院）
本文提出分辨率感知的检索增强零样本预测模型，按频率成分分别利用全局与局部空间信息，在微气候 ERA5 预测中显著优于 HRRR 和 Chronos。
2025-10-19 cs.IR cs.LG
Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting
Aarhus University（奥胡斯大学）
金融市场分析，特别是股票价格走势的预测，是一个具有挑战性的问题。金融时间序列数据的非平稳性和非线性是这些挑战的主要原因。深度学习模型已经在来自不同领域的许多问题中带来了显着的性能改进，包括金融时间序列数据的预测问题。虽然预测性能是这类模型的主要目标，但处理超高频数据集在模型参数数量和推理速度方面受到限制。时间注意力增强双线性网络是近年来提出的一种高效、高性能的限价订单时间序列预测模型。在本文中，我们提出了一种低秩张量近似模型，以进一步减少可训练参数的数量并提高其速度。
2021-07-05 cs.LG
Graph-Augmented LSTM for Forecasting Sparse Anomalies in Graph-Structured Time Series
University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）
针对多变量时间序列中稀疏异常检测的跨节点依赖捕捉难题，提出将关系图显式整合到 LSTM 的图增强预测模型，在两个基准数据集上 F1 分数较最佳基线提升达 10%。
2025-03-05 cs.LG
RATSF: Empowering Customer Service Volume Management through Retrieval-Augmented Time-Series Forecasting
Alibaba Group（阿里巴巴集团）；Yuaiweiwu Tech（爱为物科技）
RATSF框架通过时间序列知识库TSKB与检索增强交叉注意力模块RACA相结合，利用相似历史数据提升非平稳场景下的服务量预测性能，并在飞猪酒店等场景中验证了有效性和泛化能力。
2024-06-16 cs.IR cs.LG
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
QuiZSF: A Retrieval-Augmented Framework for Zero-Shot Time Series Forecasting
University of Science and Technology of China（中国科学技术大学）；Suzhou Institute for Advanced Research, USTC（先进研究院）
QuiZSF通过整合检索与预测功能，提升零样本时间序列预测的准确性与效率。
2026-01-30 cs.LG
Deep Probabilistic Time Series Forecasting using Augmented Recurrent Input for Dynamic Systems
Dalian University of Technology（大连理工大学）；Shenyang Blower Works Group Corporation（沈阳鼓风机集团股份有限公司）
近年来，在各种动态系统场景中，例如，系统辨识和机器的预测和健康管理，对概率时间序列预测的需求已经被提出。为此，我们结合了深度生成模型和状态空间模型（SSM）的进步，提出了一种新的，数据驱动的深度概率序列模型。具体来说，我们遵循流行的编码器-解码器生成结构，在一个扩展的递归输入空间上构建递归神经网络（RNN）辅助的变分序列模型，该模型可以诱导丰富的随机序列依赖性。此外，为了缓解训练和预测之间的后验不一致问题以及改进动态模式的挖掘，我们（i）提出使用滞后混合输出作为下一个时间步长的后验输入，这使得训练和预测对齐;（ii）进一步设计了一种广义自回归策略，该策略对后验的所有历史依赖性进行编码。此后，我们首先调查的方法学特征提出的深概率序列模型的玩具案件，然后全面展示我们的模型对现有的深概率SSM模型的优越性，通过广泛的数值实验8个系统辨识基准从各种动态系统。最后，我们将我们的序列模型应用于实际的离心压缩机预测问题，并通过量化时间序列预测分布再次验证了其出色的性能。
2022-04-13 cs.LG stat.ML
Retrieval-Augmented Generation Meets Data-Driven Tabula Rasa Approach for Temporal Knowledge Graph Forecasting
TCS Research（塔塔咨询服务公司研究院）
针对PLLMs在时序知识图预测中的幻觉和泄露问题，提出sLA-tKGF框架，结合RAG与白板方法训练小规模模型，利用知识增强提示实现更准确、可解释的未来事件预测。
2024-08-18 cs.AI cs.CL cs.LG
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
Augmented Invertible Koopman Autoencoder for long-term time series forecasting
Helmholtz-Zentrum Hereon（亥姆霍兹赫利昂研究中心）；IMT Atlantique（IMT Atlantique学院）；Université Grenobles Alpes（格勒诺布尔阿尔卑斯大学）；Grenoble INP（格勒诺布尔理工学院）；Institut Universitaire de France（法国大学研究院）；EPITA（EPITA计算机高等学院）
针对可逆库普曼自编码器因归一化流维度保持限制而表达能力不足的问题，本文提出增广可逆库普曼自编码器AIKAE，通过引入额外的不可逆编码器网络扩展潜在状态，并在卫星时间序列和长回看窗口预测基准上验证了其长期预测效果。
2025-06-05 cs.LG stat.ML
Time-VLM: Exploring Multimodal Vision-Language Models for Augmented Time Series Forecasting
Griffith University, Australia（格里菲斯大学）；Squirrel Ai Learning, USA（松鼠AI学习）
Time-VLM提出一种多模态框架，融合预训练视觉-语言模型，通过检索、视觉和文本增强学习器协同工作，提升时间序列预测性能，尤其在少样本和零样本场景下表现优异。
2025-05-26 cs.CV cs.LG
Extreme precipitation forecasting using attention augmented convolutions
St. Andrews College（圣安德鲁斯学院）
极端降水在世界各地造成严重破坏，造成数十亿美元的损失，并使社区、生态系统和经济连根拔起。准确的极端降水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时间。在本文中，我们专注于短期极端降水预报（提前12小时的时间预测）从一系列的海平面气压和纬向风异常。虽然现有的机器学习方法已经显示出有希望的结果，但相关的模型和气候不确定性可能会降低其可靠性。为了解决这个问题，我们提出了一种用于极端降水预测的自注意增强卷积机制，系统地将注意力分数与传统卷积相结合，以丰富特征数据并减少结果的预期误差。所提出的网络架构进一步融合了高速公路神经网络层，以获得跨几个层的畅通无阻的信息流的好处。我们的实验结果表明，该框架的性能比经典卷积模型高出12%。所提出的方法增加了机器学习作为一种工具，用于深入了解极端变化的物理原因，降低未来预测的不确定性。
2022-01-31 cs.LG physics.ao-ph
Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation
Monash University（莫纳什大学）；Beihang University（北京航空航天大学）
在多个时间序列集合中训练的预测模型，称为全局预测模型（GFM），最近在预测竞赛和现实世界的应用中显示出有希望的结果，优于许多最先进的单变量预测技术。在大多数情况下，GFM使用深度神经网络来实现，特别是递归神经网络（RNN），其需要足够量的时间序列来估计其众多的模型参数。然而，许多时间序列数据库只有有限数量的时间序列。在这项研究中，我们提出了一种新的，基于数据增强的预测框架，能够提高基线精度的GFM模型在数据不丰富的设置。我们使用三个时间序列增强技术：GRATIS，移动块引导（MBB），和动态时间规整重心平均（DBA）综合生成一个时间序列的集合。然后，使用两种不同的方法将从这些增强的时间序列中获得的知识转移到原始数据集：池化方法和迁移学习方法。当构建GFM时，在池化方法中，我们在原始时间序列数据集旁边的增强时间序列上训练模型，而在迁移学习方法中，我们将预训练模型适应新数据集。在我们对竞争和真实世界时间序列数据集的评估中，我们提出的变体可以显着提高GFM模型的基线准确性，并优于最先进的单变量预测方法。
2020-08-06 cs.AI cs.LG stat.ML
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
Variational Augmented Invertible Koopman Autoencoder for probabilistic time series forecasting
Helmholtz-Zentrum Hereon（赫尔姆霍兹海洋研究中心）；IMT Atlantique（IMT大西洋）；Lab-STICC, UMR CNRS 6285（Lab-STICC，法国国家科研中心联合实验室6285）；LRE EPITA；Université Grenobles Alpes（格勒诺布尔阿尔卑斯大学）；Grenoble INP（格勒诺布尔国立理工学院）；GIPSA-lab（GIPSA实验室）；Institut Universitaire de France（法国大学研究院）
提出VAIKAE模型，通过高斯潜在嵌入和归一化流实现概率时间序列预测，并引入不确定性感知的数据同化策略，在长期预测基准上验证了有效性。
2026-09-30 cs.LG
CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements
Southwestern University of Finance and Economics（西南财经大学）；Kyoto Institute of Technology（京都技术大学）
针对现有金融预测无法捕捉多模态特性与事件因果关系的问题，提出CAMEF框架，整合文本与时间序列数据，结合因果学习与LLM反事实事件增强技术，构建新数据集并验证了其在金融预测中的有效性。
2025-08-08 cs.AI cs.CE cs.IR
Learning Agentic Time Series Forecasting via Trajectory Distillation and Memory-Based Reinforcement Learning
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学）
Cast-R1通过工具增强的代理工作流程，学习序列决策策略以提升时间序列预测的准确性与适应性。
2026-10-19 cs.LG
Forte: An Interactive Visual Analytic Tool for Trust-Augmented Net Load Forecasting
New Jersey Institute of Technology（新泽西理工学院）；Pacific Northwest National Laboratory（西北太平洋国家实验室）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
针对净负荷预测模型性能评估难、用户信任度不足的问题，本文提出可视分析工具Forte，支持探索深度概率预测模型在不同输入下的表现，通过可视化模拟场景提供洞见，提升预测信任度与电网能力。
2023-11-10 cs.AI cs.HC cs.LG
A Meta-Knowledge-Augmented LLM Framework for Hyperparameter Optimization in Time-Series Forecasting
LLM-AutoOpt通过结合贝叶斯优化与大型语言模型的上下文推理，提升时间序列预测中超参数优化的性能和可解释性。
2026-02-16 cs.LG
Knowledge-Graph-Augmented Chronos-2 for HEC-RAS Surrogate Forecasting
Canizaro-Livingston Gulf States Center for Environmental Informatics（卡尼扎罗-利文斯顿墨西哥湾沿岸各州环境信息学中心）；Naval Research Laboratory（海军研究实验室）
本研究提出KG-Chronos-2，将冻结的时间序列基础模型与水利工程知识图谱结合，通过残差解码和图检索，在HEC-RAS水面高程预测中显著降低RMSE，验证了知识增强的有效性。
2026-09-21 cs.AI cs.LG
Enhancing Obsolescence Forecasting with Deep Generative Data Augmentation: A Semi-Supervised Framework for Low-Data Industrial Applications
Société Nationale des Chemins de fer Français (SNCF) Réseau（法国国家铁路公司网络）
本文提出一种基于深度生成数据增强的半监督框架，通过生成新过时案例扩充训练数据，并适配经典监督分类器进行半监督学习，在低数据工业场景下实现了最先进的电子元器件过时预测性能。
2025-05-02 cs.AI cs.LG
AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for Electric Vehicle Charging Station Availability Forecasting
Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (ASTAR)（新加坡科技研究局资讯通信研究院（I2R））
电动汽车充电需求和充电站可用性预测是智能交通系统面临的挑战之一。通过准确的电动汽车站点状况预测，可以提前安排合适的充电行为，以缓解里程焦虑。现有的许多深度学习方法都是针对这一问题提出的，但由于道路网络结构复杂，外部因素如兴趣点（POI）、天气影响等综合影响，许多常用算法只能提取历史使用信息，而没有考虑外部因素的综合影响。为提高预测精度和可解释性，提出了一种属性增强时空图信息器（AST-GIN）结构，该结构将图卷积网络（GCN）层和信息器层相结合，提取相关交通数据的外部和内部时空相关性。利用属性增强编码器将外部因素建模为动态属性进行训练。AST-GIN模型在邓迪市收集的数据进行了测试，实验结果表明，我们的模型考虑外部因素的影响，在不同的水平设置与其他基线相比，有效性。
2022-09-07 cs.LG cs.SY eess.SY
GlyRAG: Context-Aware Retrieval-Augmented Framework for Blood Glucose Forecasting
College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院）；School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）
研究旨在利用连续血糖监测数据进行准确血糖预测，开发了GlyRAG框架，结合大语言模型提取上下文信息并通过检索增强预测，在OhioT1DM和AZT1D数据集上评估，显著提高长期预测的均方根误差，多数预测落在临床可接受区域。
2026-09-24 cs.IT cs.LG math.IT
Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出SocialSense框架，利用大语言模型在现有社会网络上诱导信念中心图并结合图传播捕捉社会动态，有效预测新闻响应，在零样本和监督设置下超越SOTA，尤其擅长处理潜水者和未见用户场景。
2023-10-20 cs.AI cs.CL cs.LG
TS-RAG: Retrieval-Augmented Generation based Time Series Foundation Models are Stronger Zero-Shot Forecaster
School of Computing, University of Connecticut（康奈尔大学计算机学院）；Department of Machine Learning Research, Morgan Stanley（摩根士丹利机器学习研究部）；Ant Group（蚂蚁集团）；TWG Global（TWG全球）
TS-RAG通过检索增强生成框架提升时间序列预测的零样本性能和可解释性。
2025-11-25 cs.AI cs.LG
MGTS-Net: Exploring Graph-Enhanced Multimodal Fusion for Augmented Time Series Forecasting
针对时间序列预测中细粒度模式提取、多模态融合和多尺度适应不足的问题，本文提出图增强的 MGTS-Net，通过 MFE、MFF 与 MSP 实现高效优越预测。
2025-10-18 cs.LG
GNA: Granular Neighbor Assembly for Retrieval-Augmented Multivariate Time-Series Forecasting
CERN（欧洲核子研究中心）
提出粒度邻居组装检索层GNA，通过整窗和逐变量双粒度检索及门控融合，在96个设置中85个提升Transformer预测性能，优于无检索基线。
2026-09-30 cs.LG stat.ML
TyphoFormer: Language-Augmented Transformer for Accurate Typhoon Track Forecasting
Florida State University（佛罗里达州立大学）；FAMU-FSU College of Engineering（FAMU-FSU 工程学院）；University of Southern California（南加州大学）；University of Maryland（马里兰大学）
TyphoFormer通过结合自然语言描述提升台风路径预测准确性，优于现有方法，尤其在复杂场景中表现突出。
2025-11-22 cs.CL cs.LG
Simulation-Augmented Multi-Step Split Conformal Prediction for Aggregated Forecasts
提出SA-MSCP方法，通过块自助法从交叉验证残差生成未来路径并构建经验分位数预测区间，提升聚合和增长率目标的经验覆盖率。
2026-06-16 cs.LG
Retrieval-Augmented Diffusion Models for Time Series Forecasting
School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）；Institute of Medical Technology, Health Science Center of Peking University（北京大学健康科学中心医学技术研究所）；National Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能全国重点实验室）
针对时间序列扩散模型数据不足与缺乏引导的问题，提出RATD，通过嵌入检索相关历史序列并以参考引导去噪，提升复杂预测任务性能。
2024-10-24 cs.LG
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
Augmented data and neural networks for robust epidemic forecasting: application to COVID-19 in Italy
University of Ferrara（费拉拉大学）；Heriot-Watt University（赫瑞斯-沃德大学）
本文提出结合仓室模型与不确定性的疫情预测数据增强策略，通过合成数据训练PINNs与NAR两类神经网络，经意大利伦巴第COVID-19疫情模拟验证，可有效提升预测鲁棒性。
2025-11-14 cs.LG cs.NA math.NA
AI-Augmented Predictions: LLM Assistants Improve Human Forecasting Accuracy
London School of Economics and Political Science（伦敦政治经济学院）；Massachusetts Institute of Technology（麻省理工学院）；Federal Reserve Bank of Chicago（芝加哥联邦储备银行）；University of California San Diego（加利福尼亚大学圣迭戈分校）；University of Pennsylvania（宾夕法尼亚大学）
研究评估了两种LLM助手（超级预测和有噪声）对人类预测准确性的影响，发现前沿LLM助手显著提升预测准确性24%-28%，即使有噪声的助手也能作为有用的决策辅助工具。
2024-08-22 cs.AI cs.CL cs.CY
Tracing the Evidence Behind Zero-Shot Time-Series Forecasting: A Source-First Taxonomy and Audit Framework
Technical University of Munich（慕尼黑工业大学）
本文提出以来源为先的分类法与审计框架，将零样本时间序列预测视为证据访问声明，区分三种证据来源并明确审计问题，以提升基准可审计性。
2026-09-21 cs.LG
AugRelNet: Relation-Augmented Dynamics for Structure Discovery and Forecasting from Limited Data
Xi’an Jiaotong University（西安交通大学）
提出MF-Net，一种将多变量系统表示为共享场状态并通过可学习关系律更新状态的递归模型，在保持可解释结构的同时实现竞争性预测。
2026-09-29 cs.LG
Time-varying Factor Augmented Vector Autoregression with Grouped Sparse Autoencoder
University College London（伦敦大学学院）；AI Centre, Department of Computer Science, University College London（伦敦大学学院计算机科学系人工智能中心）
针对线性FAVAR模型的局限性，提出采用Spike-and-Slab Lasso先验的分组稀疏自编码器实现半可识别性与可解释性，并结合时变参数VAR以捕捉经济动态，在美国经济预测和脉冲响应分析中表现优越。
2025-03-06 cs.LG stat.ML
Weighted Contrastive Learning for Anomaly-Aware Time-Series Forecasting
Center for Applied Intelligent Systems Research, Halmstad University（哈尔姆斯塔德大学应用智能系统研究中心）；Mikael Linden Consulting AB（Mikael Linden咨询公司）
本文提出WECA方法，通过带权对比学习对齐正常和异常增强的表示，提升异常条件下时间序列预测的可靠性，实验显示在异常数据上SMAPE提升6.1个百分点。
2026-06-29 cs.AI cs.LG
Challenges of Explainability in Continual Learning for Time Series Forecasting
研究时间序列预测持续学习中的可解释性挑战，利用经验回放策略，通过神经预测架构和基于注意力的采样机制，借助注意力展开和梯度归因方法分析行为，实验表明可揭示归因模式演变及为非平稳预测提供策略参考。
2026-07-23 cs.AI cs.LG
Back to the Future: Look-ahead Augmentation and Parallel Self-Refinement for Time Series Forecasting
Korea University（韩国大学）
Back to the Future通过前瞻性增强和并行自我修正提升时间序列预测的稳定性与准确性。
2026-02-02 cs.AI cs.LG
FrAug: Frequency Domain Augmentation for Time Series Forecasting
The Chinese University of Hong Kong（香港中文大学）；International Digital Economy Academy（国际数字经济研究院）
数据增强（DA）已经成为为深度学习扩展训练数据大小的事实上的解决方案。随着用于时间序列分析的深度模型的激增，在文献中提出了各种时间序列DA技术，例如，基于裁剪、扭曲、翻转和混合的方法。然而，这些增强方法主要适用于时间序列分类和异常检测任务。在时间序列预测（TSF）中，我们需要对时间序列段内的细粒度时间关系进行建模，以便在回看窗口中给定数据时生成准确的预测结果。时域中现有的DA解决方案会打破这种关系，导致预测精度差。为了解决这个问题，本文提出了简单而有效的频域增强技术，以确保增强的数据标签对预测的语义一致性，命名为FrAug。我们在八个广泛使用的基准测试中进行了大量的实验，其中包括几个最先进的TSF深度模型。我们的研究结果表明，在大多数情况下，FrAug可以提高TSF模型的预测精度。此外，我们表明，FrAug使1\%的原始训练数据训练的模型，以达到类似的性能训练的完整训练数据，这是特别有吸引力的冷启动预测。最后，我们表明，使用FrAug进行测试时训练可以大大提高具有显著分布偏移的时间序列的预测精度，这在现实生活中的TSF应用中经常发生。我们的代码可在https://anonymous.4open.science/r/Fraug-more-results-1785上获得。
2023-02-18 cs.AI cs.LG
Forecasting Crime with Deep Learning
Northwestern University（西北大学）
这项工作的目标是利用深度神经网络，以便在细粒度的城市分区中进行第二天的犯罪计数预测。我们使用芝加哥和波特兰的犯罪数据进行预测，这些数据通过涵盖天气，人口普查数据和公共交通的其他数据集进行增强。犯罪计数被分成10个箱，我们的模型预测每个空间区域每天最有可能的箱。我们使用越来越复杂的神经网络结构来训练这些数据，包括适合犯罪预测问题的空间和时间方面的变化。通过我们最好的模型，我们能够预测芝加哥和波特兰的整体犯罪计数的正确率分别为75.6%和65.3%。结果表明，神经网络的预测问题的有效性和使用外部数据集，除了标准的犯罪数据的价值。
2018-06-05 cs.LG stat.ML
Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction
Aarhus University（奥胡斯大学）；Tampere University（坦佩雷大学）
金融时间序列预测是时间序列分析中最具挑战性的领域之一。这主要是由于金融时间序列数据的高度非平稳性和噪声性。随着社会的进步努力，设计专门的神经网络结合先前的领域知识，许多金融分析和预测问题已经成功地解决。时间注意力机制是一种神经层设计，最近由于其专注于重要时间事件的能力而流行起来。在本文中，我们提出了一个神经层的时间注意力和多头注意力的思想的基础上扩展的能力，同时关注多个时间实例的底层神经网络。我们的方法的有效性进行了验证，使用大规模的限价订单簿市场数据来预测中间价的运动方向。我们的实验表明，使用多头时间注意模块导致增强的预测性能相比，基线模型。
2022-01-14 cs.CE cs.LG
ATM Cash demand forecasting in an Indian Bank with chaos and deep learning
Institute for Development and Research in Banking Technology（银行技术发展与研究所）；University of Hyderabad（海得拉巴大学）
本文提出在印度一家大型银行的ATM取款时间序列中建模混沌，并使用深度学习方法预测取款。它还考虑了星期几的重要性，并将其作为一个虚拟的外生变量。我们首先通过使用滞后重构每个序列的状态空间来建模存在于撤回时间序列中的混沌，并且使用自相关函数和曹的方法找到嵌入维数。该过程将单变量时间序列转换为多变量时间序列。在one-hot编码的帮助下，“星期几”被转换为七个特征。然后将这七个特征扩充到多元时间序列中。预测未来现金提款，使用的算法，即ARIMA，随机森林（RF），支持向量回归机（SVR），多层感知器（MLP），数据处理的组方法（GMDH），一般回归神经网络（GRNN），长短期记忆神经网络和一维卷积神经网络。我们考虑了一家印度商业银行的每日现金提取数据集。在对混沌进行建模并向数据集添加外源特征之后，我们观察到所有模型的预测都有所改善。尽管随机森林（RF）产生了更好的对称平均绝对百分比误差（SMAPE）值，但基于t检验，深度学习算法（即LSTM和1D CNN）显示出与RF相似的性能。
2020-08-24 cs.AI cs.LG stat.ML
Improving Neural Networks for Time Series Forecasting using Data Augmentation and AutoML
University of Georgia（佐治亚大学）；Kennesaw State University（肯尼索州立大学）
自1970年开发以来，诸如用于时间序列预测的Box-Jenkins方法等统计方法一直很突出。许多研究人员依赖于这样的模型，因为它们可以有效地估计，并提供可解释性。然而，机器学习研究的进展表明，神经网络可以是强大的数据建模技术，因为它们可以为大量的学习问题和数据集提供更高的准确性。在过去，他们已经尝试了时间序列预测，以及，但他们的总体结果并没有显着优于统计模型，特别是对于中等长度的时间序列数据。在没有足够的数据来估计这些非线性模型所需的大量参数的情况下，它们的建模能力是有限的。本文提出了一种易于实现的数据增强方法，以显着提高此类网络的性能。我们的方法，增强神经网络，涉及使用统计模型的预测，可以帮助释放神经网络的力量，对中等长度的时间序列，并产生有竞争力的结果。它表明，数据增强与自动机器学习技术（如神经结构搜索）相结合，可以帮助找到给定时间序列的最佳神经结构。使用这些组合，证明了三种基于神经网络的模型对COVID-19数据集的预测准确性的显著增强，与不使用增强数据的神经网络相比，预测准确性的最大提高分别为21. 41%、24. 29%和16. 42%。
2021-05-07 cs.LG stat.AP stat.ME
Temporal Attention augmented Bilinear Network for Financial Time-Series Data Analysis
Tampere University of Technology（坦佩雷理工大学）；Aarhus University（奥胡斯大学）
金融时间序列预测一直是一个具有挑战性的问题，因为固有的噪声和随机性质的市场。在高频交易（HFT）中，出于交易目的的预测甚至是一项更具挑战性的任务，因为需要自动推理系统既准确又快速。在本文中，我们提出了一个神经网络层架构，结合了双线性投影的思想，以及一个注意力机制，使该层能够检测和关注关键的时间信息。由此产生的网络是高度可解释的，因为它能够突出每个时间实例的重要性和贡献，从而允许对感兴趣的时间实例进行进一步分析。我们在一个大规模的极限订单簿（LOB）数据集上的实验表明，利用我们提出的层的两个隐藏层网络的性能大大优于所有来自更深层次架构的现有最先进的结果，同时需要更少的计算。
2017-12-04 cs.CE cs.LG q-fin.CP
Forecasting Bacterial Antimicrobial Resistance Trends Using Machine Learning on WHO GLASS Surveillance Data: A Retrieval-Augmented Generation Approach for Policy Decision Support
Independent Researcher（独立研究者）；London, United Kingdom（伦敦，英国）
利用XGBoost模型预测全球抗菌药物耐药趋势，结合检索增强生成系统提供可溯源的政策建议，误差较基线降低85.3%。
2026-09-29 cs.LG q-bio.QM
N-BEATS: Neural basis expansion analysis for interpretable time series forecasting
Element AI（元素人工智能公司）；Mila（米拉人工智能研究所）
我们专注于使用深度学习解决单变量时间序列点预测问题。我们提出了一种基于向后和向前残差链接的深度神经架构，以及一个非常深的全连接层堆栈。该体系结构具有许多理想的属性，是可解释的，适用于广泛的目标域，无需修改，快速训练。我们测试了几个著名的数据集，包括M3，M4和TOURISM竞争数据集包含来自不同领域的时间序列的建议架构。我们为所有数据集展示了N-BEATS两种配置的最新性能，将预测准确性提高了11%，比去年的M4竞赛冠军提高了3%，M4竞赛是神经网络和统计时间序列模型之间的领域调整手工制作的混合体。我们模型的第一种配置不使用任何时间序列特定的组件，其在异构数据集上的性能强烈表明，与公认的智慧相反，深度学习原语（如残差块）本身足以解决广泛的预测问题。最后，我们演示了如何增强所提出的体系结构，以提供可解释的输出，而不会在准确性上造成相当大的损失。
2020-02-20 cs.LG stat.ML
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
Approaching Human-Level Forecasting with Language Models
UC Berkeley（加州大学伯克利分校）
本文提出检索增强的语言模型预测系统，通过自动检索、预测生成与结果聚合，在知识截止后测试集上接近并在部分场景超过竞争性人类预测者的群体聚合水平。
2024-02-28 cs.AI cs.CL cs.IR
Visual Forecasting as a Mid-level Representation for Avoidance
National Tsing Hua University（国立清华大学）
本文提出以视觉预测作为中层表征，通过边界框序列和增强路径呈现动态物体未来轨迹，并在 Unity 仿真与真实场景中验证其导航避障效果。
2023-09-17 cs.AI cs.LG cs.RO
Encoding Temporal Statistical-space Priors via Augmented Representation
KAIST（韩国科学技术院）；Yonsei University（延世大学）
本文提出统计空间增强表示（SSAR），通过在时间步编码统计空间先验来应对时间序列中的高噪声、非平稳和数据匮乏问题，并在两个数据集上显著超越五个基线方法。
2024-08-12 cs.AI cs.LG
Forecasting in small open emerging economies Evidence from Thailand
以泰国为例，结合超450个指标评估多种贝叶斯收缩与因子模型，发现因子模型在短期预测占优，收缩模型在长期最佳，且Google Trends变量具前瞻性作用。
2025-09-18 econ.EM stat.AP
