ProbTS: Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons
HKUST (GZ)（香港科技大学（广州））；Microsoft Research Asia（微软亚洲研究院）；Tsinghua University（清华大学）
本文提出基准工具ProbTS，统一评估跨短期和长期视野的点预测与分布预测，系统比较前沿模型，揭示数据特征对方法偏好的影响，并指出通用模型的优劣与未来研究方向。
2024-10-21 cs.LG
Progressive Neural Network for Multi-Horizon Time Series Forecasting
The University of Sydney（悉尼大学）
提出 ProNet，通过潜在变量分段并自适应结合 AR 与 NAR 预测，在四个大型数据集上同时提升多视界时间序列预测的精度与速度。
2024-08-09 cs.LG
StateFlow: Dual-State Recurrent Modeling for Long-Horizon Time Series Forecasting
Department of Computer Science, Illinois Institute of Technology, Chicago, IL, USA（伊利诺伊理工学院计算机科学系）；Department of Computer Science, Emory University, Atlanta, GA, USA（埃默里大学计算机科学系）
提出StateFlow框架，扩展VARNN为双状态循环骨干，结合隐藏状态轨迹和残差记忆轨迹，通过分块解码器和两阶段优化实现长时域多步预测，在基准上取得竞争性能。
2026-07-02 cs.LG
Multi-Resolution, Multi-Horizon Distributed Solar PV Power Forecasting with Forecast Combinations
The University of Melbourne（墨尔本大学）
分布式、小型太阳能光伏系统的安装速度正在迅速增加。这可能对配电网络和能源市场造成重大影响。因此，非常需要在不同的时间分辨率和范围内改进这些系统的发电预测。然而，预测模型的性能取决于分辨率和视野。在这种情况下，将多个模型的预测组合成单个预测的预测组合（集合）可能是稳健的。因此，在本文中，我们提供了五个国家的最先进的预测模型和现有的预测组合在多个分辨率和视野的性能比较和见解。我们提出了一种预测组合方法的基础上粒子群优化（PSO），这将使预测员能够产生准确的预测，为手头的任务，通过加权个别模型产生的预测。此外，我们将所提出的组合方法与现有的预测组合方法的性能进行了比较。一个全面的评估是使用现实世界的住宅光伏发电数据集测量位于美国三个地点的25所房子。四种不同分辨率和四种不同水平的结果表明，基于PSO的预测组合方法优于使用任何单个预测模型和其他预测组合，与表现最好的单个模型相比，平均绝对比例误差平均降低了3.81%。我们的方法使太阳能预报员能够为他们的应用程序提供准确的预报，无论预报分辨率或水平。
2022-06-22 cs.LG
From Noise to Laws: Regularized Time-Series Forecasting via Denoised Dynamic Graphs
PRISM通过结合去噪动态图和物理惩罚正则化，实现了长跨度多变量时间序列预测的稳定与高精度。
2025-12-01 cs.LG
Stable Long-Horizon PDE Forecasting via Latent Structured Spectral Propagators
School of AIA, Huazhong University of Science and Technology（华中科技大学人工智能学院）
本文提出一种神经预测框架，通过在传播导向的潜在空间中学习结构化谱传播器（SSP），以解决传统传播器在长时域预测中的误差累积和动态漂移问题，实验表明SSP在减少相对L2误差和提升时间外推稳定性方面表现优异。
2026-05-11 cs.LG
Beyond Accuracy: A Stability-Aware Metric for Multi-Horizon Forecasting
本文提出一种考虑多时间跨度准确性和稳定性的度量标准，用于评估概率性多时间跨度预测的质量，通过平衡准确性和一致性要求，改进了传统最大似然估计方法。
2026-04-22 cs.LG
Optimization-based Online Conformal Prediction for Multi-step Forecasting
University of Michigan（密歇根大学）
提出O2CP框架，通过双层优化结构建模多步误差依赖，在保证边际覆盖有效性的同时生成更窄的预测区间，实验表明在自动驾驶、气候预测等领域优于现有方法。
2026-08-10 cs.LG
AMLNet: Adversarial Mutual Learning Neural Network for Non-AutoRegressive Multi-Horizon Time Series Forecasting
School of Computer Science, The University of Sydney（悉尼大学计算机学院）
AMLNet 通过在线知识蒸馏结合深层 AR 与 NAR 解码器作为集成教师，并利用结果驱动和提示驱动两种机制训练浅层 NAR 解码器，在提升多时段时序预测精度的同时加快计算速度。
2023-10-30 cs.LG
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
Signal Simplification Is Not Predictive Simplification: Diagnosing Residual Neural Forecasting in Short-Horizon Volatility
University of Maryland, College Park（马里兰大学帕克分校）
该研究通过信号-预测-系统诊断框架，发现短期波动率预测中统计残差简化（方差降低约82%）并不改善残差LSTM的预测精度（MSE从0.3049升至0.3594），揭示了预测器-预处理器不对称性。
2026-10-05 cs.LG
DMIDAS: Deep Mixed Data Sampling Regression for Long Multi-Horizon Time Series Forecasting
Carnegie Mellon University（卡内基梅隆大学）
神经预测在大规模系统的准确性方面有了显着的提高，但预测极长的时间范围仍然是一项具有挑战性的任务。两个常见的问题是预测的波动性和它们的计算复杂性;我们通过将平滑正则化和混合数据采样技术结合到性能良好的基于多层感知器的架构（NBEATS）来解决它们。我们验证了我们提出的方法，DMIDAS，在高频医疗保健和电价数据上具有较长的预测范围（约1000个时间戳），我们将预测精度提高了5%，比最先进的模型，减少了近70%的NBEATS参数数量。
2021-06-07 cs.LG stat.ML
Continuous-Time Probabilistic Correctors for Uncertainty-Aware Physics-Based Spacecraft Trajectory Forecasting
Iowa State University（爱荷华州立大学）
提出一种预测-校正框架，用连续时间概率校正器增强确定性物理传播器，实现长期轨迹预测的准确性和校准不确定性估计。
2026-06-23 cs.LG
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
Graph-Based Learning for Multi-Horizon Martian Atmospheric Forecasting
The Open University（开放大学）
本文提出图基框架MaGMA，将火星大气数据转化为图结构以支持多时间尺度预测，在常规年份取得高R²，并优于基线，但极端沙尘暴年份性能下降，凸显改进需求。
2026-09-29 cs.LG cs.SE
One Global Model, Many Behaviors: Stockout-Aware Feature Engineering and Dynamic Scaling for Multi-Horizon Retail Demand Forecasting with a Cost-Aware Ordering Policy (VN2 Winner Report)
Bartosz Szabłowski（巴托斯·斯扎波夫斯基）
本研究提出一种结合全局多时间跨度预测模型和成本感知订货策略的方法，用于多时间跨度零售需求预测，通过缺货感知特征工程和动态缩放提升预测准确性与成本效率。
2026-01-26 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
Long-Horizon Traffic Forecasting via Incident-Aware Conformal Spatio-Temporal Transformers
Department of Mechanical and Aerospace Engineering and the Center for Automotive Research, The Ohio State University（机械与航空航天工程系和汽车研究中心，俄亥俄州立大学）；Ohio Department of Transportation（俄亥俄州交通部）；Honda Research Institute USA, Inc.（本田美国研究院）
本文提出一种基于适应性符合性预测的时空变换器模型，通过动态邻接矩阵和事故相关信号改进长周期交通预测的准确性和不确定性校准。
2026-03-17 cs.LG
Learning Where to Look: A Shared Relative-Alignment Module for Time-Series Forecasting and PPG-to-Vital-Sign Reconstruction
Neurogica Inc.（Neurogica 公司）
本文提出ROOSTER模块，通过可学习的周期梳状偏置统一处理时间序列预测与PPG到生命体征重建，在多个基准上取得最优性能，并验证了相对对齐机制的有效性。
2026-09-24 cs.LG
Optimal Look-back Horizon for Time Series Forecasting in Federated Learning
本文提出了一种在联邦学习中通过内在空间公式进行时间序列预测回溯范围选择的原理性框架，通过合成数据生成器和损失分解理论，为适应性回溯范围选择提供了理论支持。
2026-01-04 cs.AI cs.LG
Recursive Quantum Long Short-Term Memory for Stable Short-Horizon Temperature Forecasting
University of Toronto（多伦多大学）；National Yang Ming Chiao Tung University（国立阳明交通大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）；PecuLab LLC（PecuLab有限责任公司）
本文提出递归量子长短期记忆模型，用于短期温度预测，通过递归量子特征变换提高稳定性和泛化能力，降低预测误差。
2026-09-18 cs.LG
Improving Long-Horizon Forecasts with Expectation-Biased LSTM Networks
University of Maryland（马里兰大学）
使用基于长短期记忆（LSTM）单元的递归神经网络（RNN）的最新预测方法已经显示出针对短期预测的卓越性能，例如，给定一组预测器特征，预测未来接下来几个时间步长的目标值。然而，在许多应用中，这些方法的性能随着预测范围延伸到这几个时间步长之外而衰减。本文旨在探索使用LSTM网络进行长期预测的挑战。在这里，我们说明了神经科学和能源供应管理数据集的长期预测问题。然后，我们提出了期望偏置，动态信念网络的文献激励的方法，作为一种解决方案，以提高长期预测使用LSTM。我们提出了两种LSTM架构以及两种显著优于标准实践的期望偏差方法。
2018-04-18 cs.LG stat.ML
Yformer: U-Net Inspired Transformer Architecture for Far Horizon Time Series Forecasting
University of Hildesheim（希尔德斯海姆大学）；Technische Universität Berlin（柏林工业大学）
时间序列数据在研究和各种工业应用中无处不在。有效地分析可用的历史数据并提供对遥远未来的见解，使我们能够做出有效的决策。最近的研究已经证明了基于变压器的架构的优越性能，特别是在远地平线时间序列预测的制度。然而，现有技术的稀疏Transformer架构的当前状态不能耦合下采样和上采样过程以产生与输入类似分辨率的输出。我们提出了Yformer模型，基于一种新的Y形编码器-解码器架构，该架构（1）在U-Net启发的架构中使用从缩小的编码器层到相应的上采样解码器层的直接连接，（2）将缩小/上采样与稀疏注意力相结合以捕获长距离效果，以及（3）通过添加辅助重建损失来稳定编码器-解码器堆栈。在四个基准数据集上使用相关基线进行了广泛的实验，证明与单变量和多变量设置的当前最新技术水平相比，平均改善了19.82，18.41%的MSE和13.62，11.85%的MAE。
2022-08-25 cs.LG
TEFL: Prediction-Residual-Guided Rolling Forecasting for Multi-Horizon Time Series
Key Laboratory of Road and Traffic Engineering, Ministry of Education Tongji University, Shanghai China（交通工程教育部重点实验室，同济大学，上海中国）；The College of Computer Science, Tongji University, Shanghai China（计算机科学学院，同济大学，上海中国）；Research Center for Scientific Data Hub, Zhejiang Lab, Hangzhou, China（科学数据中心研究中心，浙江实验室，杭州中国）
TEFL通过整合历史预测残差提升多时间尺度时间序列预测的准确性和鲁棒性。
2026-02-26 cs.LG
Behaviour-Conditioned Neural Processes for Adaptive Residential Short-Term Load Forecasting
School of Computer Science and Information Technology, University College Cork（科克大学计算机科学与信息技术学院）
研究住宅短期负荷预测难题，提出行为条件注意力神经过程框架，将行为结构嵌入预测机制，通过聚类信息弱监督训练，实验证明该框架在多方面优于基线，支持跨多种情况的单模型、不确定性感知预测。
2026-07-20 cs.LG
ElasTST: Towards Robust Varied-Horizon Forecasting with Elastic Time-Series Transformer
Microsoft Research Asia（微软亚洲研究院）
针对变长预测场景，本文提出弹性时间序列Transformer（ElasTST），采用非自回归设计、可调旋转位置嵌入和多尺度分块，并利用预测长度重加权策略，在实验中验证了其稳健性和有效性。
2024-11-04 cs.LG stat.ML
UrbanAI 2025 Challenge: Linear vs Transformer Models for Long-Horizon Exogenous Temperature Forecasting
Yeshiva University（耶鲁大学）
UrbanAI 2025挑战通过对比线性与Transformer模型，发现线性模型在长周期外生温度预测中表现更优，DLinear在所有划分中均取得最佳准确率。
2025-12-11 cs.AI cs.LG
Rolling-Origin Validation Reverses Model Rankings in Multi-Step PM10 Forecasting: XGBoost, SARIMA, and Persistence
Departamento de Ingeniería de Computadores, Universidad Miguel Hernández（计算机工程系，米格尔·赫尔内斯大学）；Departamento de Física Aplicada, Universidad Miguel Hernández（应用物理系，米格尔·赫尔内斯大学）
研究通过滚动原点验证发现，XGBoost在短中期预报中不如持续性模型，而SARIMA在全范围内保持正技能，揭示静态划分可能高估实际实用性。
2026-03-19 cs.LG
RideBench: A Large-Scale Exogenous-Aware Benchmark for Ride-Hailing Time Series Forecasting
South China University of Technology（华南理工大学）；Didi Chuxing（滴滴出行）；The University of Hong Kong（香港大学）
该研究发布了网约车数据集Ride-Hailing及基准测试集RideBench，评估30余种预测方法，发现现有模型与网约车需求不匹配，需能利用外生变量、支持长期预测的模型。
2026-10-09 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
COGENT: Continuous Graph Emulators with Neural Ordinary Differential Equations for Long-Term Physical Forecasting
Lehigh University（理海大学）
提出COGENT，一种结合图编码器和神经常微分方程的连续图仿真器，用于不规则地理空间网格上的长期物理预测，通过连续潜在动力学实现任意时间预测，并采用滚动视界采样和渐进调度策略稳定训练，在冰盖模拟中展现出优于自回归图基线的长期稳定性。
2026-06-09 cs.LG
MQRetNN: Multi-Horizon Time Series Forecasting with Retrieval Augmentation
Amazon Forecasting Science（亚马逊预测科学部门）
多范围概率时间序列预测对需求预测等现实任务具有广泛的适用性。最近的神经时间序列预测工作主要集中在使用Seq 2Seq架构。例如，MQTransformer -MQCNN的改进-在概率需求预测方面表现出了最先进的性能。在本文中，我们考虑将跨实体的信息，以提高模型的性能，通过添加一个跨实体的注意力机制以及检索机制来选择哪些实体参加。我们展示了我们的新神经架构MQRetNN如何利用来自整个人群的预训练基线模型的编码上下文来提高预测准确性。使用MQCNN作为基线模型（由于计算限制，我们不使用MQTransformer），我们首先在一个小的需求预测数据集上显示，通过添加一个跨实体注意力机制，每个实体都关注种群中的所有其他实体，可以实现约3%的测试损失改善。然后，我们使用我们提出的检索方法评估模型-作为一种近似大量人群注意力的方法-在拥有超过200万种产品的大规模需求预测应用程序上，并观察到比MQCNN基线约1%的性能增益。
2022-09-08 cs.AI cs.LG
When Attention Does Not Explain the Peak: Temporal Reference vs. Forecast Output in Attention-Based Time-Series Forecasting
Sophia University（上智大学）
本研究通过巴拿马负荷数据集的31个窗口实验，发现时域级交叉注意力的峰值选择性与预测峰值无关，其作用更可能是整合未来外生信息的时间参考，而非解释预测行为。
2026-10-14 cs.LG
SACQ: Structured Decoding with Memory-Conditioned Refinement for Long-Horizon Forecasting
University of Science and Technology Beijing（北京科技大学）；Zhejiang University of Technology（浙江工业大学）；Institution of Artificial Intelligence, University of Science and Technology Beijing（北京科技大学人工智能研究院）
SACQ是一种插件式结构化预测头，通过两阶段解码流程和批量自适应缩放对数-cosh损失，在PatchTST等骨干网络上实现长时序预测的顶级性能，且对输入损坏和标签噪声的鲁棒性显著优于扁平化读出头。
2026-10-09 cs.LG
Vision-Guided Forecasting -- Visual Context for Multi-Horizon Time Series Forecasting
Technion - Israel Institute of Technology（以色列理工学院）；Bosch Center for Artificial Intelligence（博世人工智能中心）
近年来，自动驾驶获得了巨大的吸引力，因为它有可能改变我们的通勤方式。已经投入了大量的努力来尝试估计车辆的状态。与此同时，学习预测前方车辆的状态引入了新的功能，例如预测危险情况。此外，预测带来了新的监督机会，通过学习预测更丰富的背景下，由多个视野表示。直觉上，来自前置摄像头的视频流是必要的，因为它编码了即将到来的道路的信息。此外，车辆状态的历史痕迹提供了更多的背景。在本文中，我们解决多地平线的车辆状态预测融合这两种方式。我们设计并实验了3个端到端架构，这些架构利用3D卷积进行视觉特征提取，并利用1D卷积从速度和转向角轨迹中提取特征。为了证明我们的方法的有效性，我们在两个公开的真实世界数据集上进行了广泛的实验，Comma 2k 19和Udacity挑战。我们表明，我们能够预测车辆的状态，以各种视野，而优于目前的国家的最先进的结果，驾驶状态估计的相关任务。我们研究了视觉特征的贡献，发现在Udacity和Comma 2k 19数据集上，使用视觉特征的模型的误差分别是不使用这些特征的模型的56.6%和66.9%。
2021-09-26 cs.CV cs.LG
Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting
School of Computer Science, Xiangtan University, Xiangtan, 411105, China（计算机学院，湘潭大学，湘潭，411105，中国）
提出一种结合图神经网络与自监督预训练的自适应时空图框架，通过时空自适应机制提升多变量、多时间跨度天气预报的准确性与泛化能力。
2025-10-28 cs.AI cs.LG
Auxiliary Quantile Forecasting with Linear Networks
University of Hildesheim（希尔德斯海姆大学）
我们提出了一种新的多任务方法，用于共享线性层的分位数预测。我们的方法是基于隐式分位数学习方法，其中来自均匀分布$\mathcal{U}(0, 1)$的样本被重新参数化为目标分布的分位数值。我们结合隐式分位数和输入时间序列表示，直接预测多个分位数估计多个视野联合。先前的工作已经采用了线性层，用于在多任务学习设置中直接估计所有预测范围。我们表明，根据多任务学习的类似直觉，利用预测范围之间的相关性，我们可以为每个预测范围建模多个分位数估计作为辅助任务，以提高分位数估计的预测准确性，而不是仅建模单个分位数估计。我们发现学习辅助分位数任务导致确定性预测基准的最先进的性能，关于预测50 $^{th}$百分位估计的主要任务。
2022-12-05 cs.LG stat.ME
ScatterFusion: A Hierarchical Scattering Transform Framework for Enhanced Time Series Forecasting
School of Computer Engineering and Science（计算机工程与科学学院）
ScatterFusion通过结合散射变换与分层注意力机制，提升时间序列预测的鲁棒性和准确性。
2026-01-28 cs.LG
Uncovering Dominant Features in Short-term Power Load Forecasting Based on Multi-source Feature
传统的电力负荷预测方法受数据可获得性的限制，更多的是研究负荷的变化规律以及温度、节假日等少数因素的影响，未能揭示负荷变化的内在机理。本文突破这一局限，从天文、地理、社会等多个方面收集80个潜在特征，研究电力负荷变化与影响因素之间的复杂关系，并在此基础上提出一种短期电力负荷预测方法。算例表明，与现有方法相比，该方法的预测精度提高了33.0%~ 34.7%。预测结果表明，地理特征对提高负荷预测精度的影响最为显著，其中气温是最主要的特征。天文特征的影响比社会特征更显著，与太阳相关的特征也起着重要的作用，这在以往的研究中明显被忽略了。星期六和星期一是最重要的社交活动。温度、太阳天顶角、民用曙暮光时长和滞后晴空全球水平辐照度与电力负荷呈V型关系，存在平衡点。全球水平辐照度与电力负荷呈负相关。
2021-03-23 cs.LG
DBLoss: Decomposition-based Loss Function for Time Series Forecasting
East China Normal University（东华师范大学）
针对现有MSE损失难以准确捕捉预测区间内季节性与趋势的问题，提出基于分解的DBLoss损失函数，通过指数移动平均分解分量并分别加权计算损失，可适配各类预测模型，显著提升了现有最优模型在多数据集上的性能。
2025-10-27 cs.LG
Forking-Sequences: Statistically and Computationally Efficient Multi-Horizon Forecasting with Reduced Volatility
Amazon（亚马逊公司）；Carnegie Mellon University（卡内基梅隆大学）
研究时间序列预测中如何降低预测波动性，核心方法是采用分叉序列神经网络架构设计，好处是通过集成降低波动性、减少梯度方差、提高推理计算效率，在多数据集上验证了该方法能提升准确性并降低预测波动性。
2026-07-13 cs.LG
Bidirectional Multimodal Fusion of Sky Images and Time-Series for Solar Forecasting with Large Language Models
The University of Melbourne（墨尔本大学）；Sri Lanka Institute of Information Technology（斯里兰卡信息技术学院）
针对短期光伏预报中云层影响和单模态局限，提出基于大语言模型的双向多模态融合框架SolCloudLLM，融合天空图像与时间序列，在SIRTA和SKIPP'D数据集上显著降低MSE，并在少样本场景中表现最佳。
2026-09-11 cs.LG
TAT: Temporal-Aligned Transformer for Multi-Horizon Peak Demand Forecasting
Georgia Institute of Technology（佐治亚理工学院）；Amazon（亚马逊公司）
提出时间对齐Transformer（TAT），通过嵌入时间对齐注意力机制利用先验上下文变量，在保持整体性能的同时将峰值需求预测准确率提升达30%。
2025-07-14 cs.AI cs.LG
EnvShip: A Unified Framework for Context-Aware and Cross-Region Vessel Trajectory Forecasting
Harbin Engineering University（哈尔滨工程大学）；Politecnico di Torino（都灵理工大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
针对现有船舶轨迹预测基准缺乏统一协议和环境上下文的问题，提出EnvShip-Bench，基于丹麦海事局和NOAA的原始AIS数据构建，采用标准化预测协议，提供环境与邻近船舶上下文扩展，支持轨迹、环境感知和交互感知预测的统一评估。
2026-08-04 cs.LG
Temporal horizons in forecasting: a performance-learnability trade-off
Institute of Neuroinformatics, ETH Zürich and University of Zürich（神经信息学研究所，苏黎世联邦理工学院和苏黎世大学）；School of Computing, National Australian University（计算学院，澳大利亚国立大学）；Unit of Land Change Science, Swiss Federal Research Institute for Forest, Snow and Landscape（土地变化科学单位，瑞士联邦森林、雪和景观研究 institute）
本研究通过动力系统理论分析损失景观几何与训练时间视界的关系，证明长视界训练泛化更优但损失景观更粗糙，为自回归预测模型的超参数优化提供理论基础。
2026-09-10 cs.LG nlin.CD
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
Learning and Forecasting Multiscale Spatiotemporal Epidemic Dynamics with Lagrangian-Eulerian Graph Neural ODEs
提出LE-EpiGNODE模型，用拉格朗日-欧拉分解的机制引导神经算子替代通用消息传递，在14种合成机制、3种COVID-19场景等评估中，长程预测误差较最佳基线降低17.7%-40.0%，实现可靠长程流行病预测。
2026-10-16 cs.LG
Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting
University of Oxford（牛津大学）；Google Cloud AI Research（谷歌云人工智能研究院）；Google Cloud AI（谷歌云人工智能）
多视野预测问题通常包含复杂的输入组合-包括静态（即时不变）协变量，已知的未来输入，以及其他仅在历史上观察到的外生时间序列-没有任何关于它们如何与目标相互作用的先验信息。虽然已经提出了几种用于多步预测的深度学习模型，但它们通常包括黑盒模型，这些模型不能考虑常见场景中存在的全部输入。在本文中，我们介绍了时间融合Transformer（TFT）-一种新的基于注意力的架构，它结合了高性能的多水平预测与时间动态的可解释的见解。为了学习不同尺度下的时间关系，TFT利用递归层进行本地处理，并利用可解释的自我注意层来学习长期依赖关系。TFT还使用专门的组件来明智地选择相关功能，并使用一系列选通层来抑制不必要的组件，从而在广泛的范围内实现高性能。在各种真实世界的数据集上，我们展示了与现有基准相比的显着性能改进，并展示了TFT的三个实际可解释性用例。
2020-09-27 cs.LG stat.ML
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
Horizon-Aware Forecasting of Passenger Assistance Demand for Rail Station Workforce Planning
London North Eastern Railway（伦敦东北铁路）；Digital and Innovation Department（数字与创新部门）
本文提出一种数据驱动的决策支持框架，用于预测车站乘客协助需求并转化为工作人员计划。通过多源运营数据的多源数据驱动方法和可解释的红黄绿风险框架，提高了预测准确性并减少了因工作人员可用性导致的失败交付。
2026-04-08 cs.LG stat.AP
DAM: Towards A Foundation Model for Time Series Forecasting
School of Computer Science, University of St Andrews（圣安德鲁斯大学计算机学院）；Systems Infrastructure Research（系统基础设施研究机构）；Edinburgh Research Centre（爱丁堡研究中心）；Central Software Institute（中央软件研究院）；Huawei（华为）
提出DAM神经网络模型，通过随机采样历史数据并输出可调基函数组合作为时间连续函数，实现非固定预测期的通用时间序列预测，在零样本迁移和长期预测等任务上表现优异。
2024-07-25 cs.LG
Expert System for Bitcoin Forecasting: Integrating Global Liquidity via TimeXer Transformers
RV College of Engineering (RVCE)（RV工程学院）
本文提出通过整合全球流动性提升比特币长期价格预测的专家系统，采用TimeXer架构实现条件化预测模型，实验表明其在长期内预测表现优于传统模型。
2026-01-11 cs.AI cs.LG
Deployment-Side Adaptiveness in Multi-Horizon Volatility Forecasting
The University of Bristol（布里斯托大学）
研究多期波动率预测中，通过改变推理时的展开规则来提升预测性能，发现验证集选择的部署策略能有效改善MIMO模型性能，且策略选择对评估指标敏感。
2026-06-29 cs.AI 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
