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
Long-term series forecasting with Query Selector -- efficient model of sparse attention
MORAI；Nicholas Copernicus University（尼古拉斯·哥白尼大学）
近年来，各种变形的变压Transformer被用来解决时间序列预测问题。我们提出了一个有效的，确定性算法稀疏注意矩阵的查询树。在ETT、Helpdesk和BPI'12数据集上的实验结果表明，该方法取得了较好的效果。
2021-08-17 cs.LG
Boosted Ensemble Learning based on Randomized NNs for Time Series Forecasting
Częstochowa University of Technology（琴斯托霍瓦工业大学）；Facebook（脸书）
时间序列预测是一个具有挑战性的问题，特别是当一个时间序列表示多个季节性，非线性趋势和变化的方差。在这项工作中，预测复杂的时间序列，我们提出了集成学习，这是基于随机神经网络，并提高了三种方式。这些包括基于残差、校正目标和相对响应的集成学习。后两种方法用于确保所有集合成员解决类似的预报任务，这证明在集合的所有阶段使用完全相同的基础模型是合理的。统一所有成员的任务简化了集成学习，并提高了预测精度。这一点在一项涉及预测具有三重季节性的时间序列的实验研究中得到了证实，在该研究中，我们比较了我们的三种集成增强变体。基于RandNN的建议集成的优点是非常快速的训练和基于模式的时间序列表示，从时间序列中提取相关信息。
2022-03-02 cs.LG
Hyperparameter Tuning MLPs for Probabilistic Time Series Forecasting
University Of Hildesheim（希尔德斯海姆大学）；VWFS Data Analytics Research Center（大众汽车金融服务数据分析研究中心）
本研究探究上下文长度、验证策略等时间序列相关超参数对最优MLP预测性能的影响，构建了含97200次评估的最大时间序列预测元数据集TSBench，并验证其在多保真度超参数优化中的效用。
2024-03-07 cs.LG
Forecasting large collections of time series: feature-based methods
University of Science & Technology Beijing（北京科技大学）；Central University of Finance and Economics（中央财经大学）；Beihang University（北京航空航天大学）
本章综述面向大规模时间序列集合预测的两类基于特征的方法——模型选择与模型组合，并结合开源实现介绍相关最新进展。
2023-09-25 cs.LG
Forecasting Weakly Correlated Time Series in Tasks of Electronic Commerce
Kharkiv National University of Radioelectronics（哈尔科夫国立无线电电子大学）
本文以某电子商店的转化率序列为例，利用指数平滑、神经网络和决策树等方法对转化率的弱相关时间序列进行预测。每种方法的优点和缺点被认为是。
2019-04-16 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
Learning from Multiple Time Series: A Deep Disentangled Approach to Diversified Time Series Forecasting
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
时间序列预测在许多应用中是一个重要的问题，例如，财务预测和业务优化。现代数据集可以有多个相关的时间序列，它们通常是由全局（共享）动态和局部（特定）动态生成的。在本文中，我们试图用DeepDGL来解决这些预测问题，DeepDGL是一种深度预测模型，它将动态分解为全局和局部时间模式。DeepDGL采用编码器-解码器架构，由两个编码器组成，分别学习全局和局部时间模式，以及一个解码器进行多步预测。具体地说，为了对复杂的全局模式进行建模，引入了矢量量化（VQ）模块，允许全局特征编码器在所有时间序列中学习共享码本。为了模拟多样化和异质性的局部模式，提出了一种基于对比多水平编码（CMC）的自适应参数生成模块，用于为每个时间序列生成局部特征编码器的参数，最大化序列特定上下文变量与相应时间序列的长/短期表示之间的互信息.我们在几个真实世界数据集上的实验表明，DeepDGL优于现有的最先进的模型。
2021-11-09 cs.LG
ETSformer: Exponential Smoothing Transformers for Time-series Forecasting
Salesforce Research Asia（Salesforce亚洲研究院）；Singapore Management University（新加坡管理大学）
近年来，Transformers在时间序列预测中得到了积极的研究。虽然在各种情况下经常显示出有希望的结果，但是传统的Transformers并没有被设计为充分利用时间序列数据的特性，因此受到一些基本限制，例如，它们通常缺乏分解能力和可解释性，对于长期预测来说既不有效也没有效率。在本文中，我们提出了ETSFormer，一个新的时间序列Transformer架构，它利用指数平滑的原则，改善Transformers的时间序列预测。特别是，受时间序列预测中经典指数平滑方法的启发，本文提出了新的指数平滑注意（ESA）和频率注意（FA）机制来取代传统Transformers中的自注意机制，从而提高了预测精度和效率。在此基础上，我们重新设计了Transformer的架构与模块化分解块，使它可以学习分解的时间序列数据到可解释的时间序列组件，如水平，增长和季节性。在各种时间序列基准上的大量实验验证了该方法的有效性和优势。代码可在https://github.com/salesforce/ETSformer上获得。
2022-06-20 cs.LG
Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting
本文提出代理时间序列预测框架，强调通过代理流程实现动态适应与持续学习，推动时间序列预测方法的革新。
2026-03-11 cs.LG
Deep Learning-Based Financial Time Series Forecasting via Sliding Window and Variational Mode Decomposition
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出滑动窗口结合VMD的深度学习金融预测模型，将非平稳序列分解为平滑子分量后输入LSTM，实验表明其预测性能与稳定性优于原始序列方法。
2025-08-21 cs.LG
Counterfactual Explanations for Time Series Forecasting
Stockholm University（斯德哥尔摩大学）
本文提出ForecastCF算法，通过梯度扰动和预测值约束生成时间序列预测的反事实解释，实验证明其在有效性和数据流形接近度上优于基线。
2023-10-12 cs.LG
Not All Frequencies Are Created Equal:Towards a Dynamic Fusion of Frequencies in Time-Series Forecasting
Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对时间序列预测中频率处理问题，提出FreDF方法，通过动态融合各频率分量，适应不同场景，并证明其具有更优泛化能力，实验验证有效。
2024-11-05 cs.LG
Few-Shot Forecasting of Time-Series with Heterogeneous Channels
University of Hildesheim（希尔德斯海姆大学）
学习复杂的时间序列预测模型通常需要大量的数据，因为每个模型都是针对每个任务/数据集从头开始训练的。利用相似数据集的学习经验是一种成熟的分类技术，称为Few-Shot分类。然而，现有的方法不能应用于时间序列预测，因为i）多变量时间序列数据集具有不同的通道，ii）预测主要不同于分类。在本文中，我们形式化的问题的Few-Shot预测的时间序列与异构通道的第一次。扩展最近的工作在矢量数据中的异构属性，我们开发了一个模型组成的置换不变的深集块，其中包括一个时间嵌入。我们组装了40个多变量时间序列数据集的第一个元数据集，并通过实验表明，我们的模型提供了良好的泛化能力，优于从更简单的场景中结转的基线，这些场景要么无法跨任务学习，要么错过时间信息。
2022-08-18 cs.LG
Theory and Algorithms for Forecasting Time Series
Google Research（谷歌研究院）；Courant Institute（库朗研究所）
我们提出了非平稳非混合随机过程的一般情况下的数据依赖的学习界。我们的学习保证表示在一个依赖于数据的顺序复杂性的措施和差异的措施，可以从一些温和的假设下的数据估计。我们还提供了新的分析稳定的时间序列预测算法使用这个新的概念，我们引入的差异。我们使用我们的学习界限来设计非平稳时间序列预测的新算法，并报告了一些初步的实验结果。
2018-03-15 cs.LG
Multi-layer Stack Ensembles for Time Series Forecasting
Tübingen AI Center, University of Tübingen（图宾根人工智能中心，图宾根大学）；AWS（亚马逊公司）
针对时间序列预测中集成方法应用不足、单一堆叠器无法适配所有任务的问题，本文提出多层堆叠集成框架，结合不同堆叠器优势，在50个真实数据集上验证了其准确率优势，为提升时间序列预测AutoML系统性能提供了新方向。
2025-11-19 cs.LG
Review of automated time series forecasting pipelines
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；RWTH Aachen University（亚琛工业大学）；Forschungszentrum Jülich GmbH（于利希研究中心有限公司）
时间序列预测是不同领域（如能源系统和经济学）各种用例的基础。为特定用例创建预测模型需要一个迭代且复杂的设计过程。典型的设计过程包括五个部分（1）数据预处理，（2）特征工程，（3）超参数优化，（4）预测方法选择，和（5）预测集成，它们通常被组织在流水线结构中。一个有前途的方法来处理不断增长的需求，时间序列预测是自动化的设计过程。因此，本文分析了现有的文献自动化时间序列预测管道，研究如何自动化的预测模型的设计过程。因此，我们在单个预测管道中考虑自动机器学习（AutoML）和自动统计预测方法。为此，我们首先提出并比较了建议的自动化方法，为每个管道部分。其次，我们分析了自动化方法的相互作用，组合和覆盖的五个管道部分。对于这两个，我们讨论的文献，找出问题，给出建议，并建议未来的研究。这一审查表明，大多数文件只涉及五个管道部分中的两个或三个。我们的结论是，未来的研究必须从整体上考虑预测管道的自动化，以实现时间序列预测的大规模应用。
2022-02-03 cs.LG
A novel method of fuzzy time series forecasting based on interval index number and membership value using support vector machine
G. B. Pant University of Agriculture and Technology（GB潘特农业技术大学）
模糊时间序列预测方法由于不依赖于传统时间序列预测方法的严格假设条件而受到研究者的青睐。非随机的模糊时间序列预测方法因其预测效果更显著而受到研究者的青睐。一般来说，有四个因素决定了预测方法的性能：（1）划分论域（UOD）的区间数（NOI）和区间长度（2）模糊化规则或清晰时间序列的特征表示（3）在输入值和目标值之间建立模糊逻辑规则（FLR）的方法（4）获得清晰预测值的去模糊化规则。考虑到提高预测精度的前两个因素，我们提出了一种新的非随机方法模糊时间序列预测，其中以区间指数和隶属度值作为输入特征来预测未来值。我们提出了一个简单的舍入范围和合适的步长方法来找到最佳的间隔数（NOIs），并使用模糊c均值聚类过程中划分UOD为不等长的区间。我们实现支持向量机（SVM）建立FLR。为了测试我们所提出的方法，我们进行了模拟研究五个广泛使用的实时的序列，并与最近开发的一些模型的性能进行比较。我们还研究了所提出的模型的性能，使用多层感知器（MLP），而不是SVM。两个性能指标RSME和SMAPE用于性能分析，并观察到更好的预测精度所提出的模型。
2020-10-20 cs.LG
TimeFound: A Foundation Model for Time Series Forecasting
Baidu Research（百度研究院）；University of Science and Technology of China（中国科学技术大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
提出基于编码器-解码器transformer的时间序列基础模型TimeFound，采用多分辨率分块策略捕捉多尺度时间模式，在大型语料库上预训练200M和710M参数版本，在多领域未见数据集上实现了更优或具竞争力的零样本预测性能。
2025-03-06 cs.LG
TimeGNN: Temporal Dynamic Graph Learning for Time Series Forecasting
KTH（瑞典皇家理工学院）
TimeGNN 通过动态时序图表示捕捉多元时间序列间模式的演化与相关性，在保持可比预测性能的同时将推理速度提升 4 至 80 倍。
2023-11-30 cs.LG
EXPRTS: Exploring and Probing the Robustness of Time Series Forecasting Models
Aneo AS（Aneo公司）；Norwegian University of Science and Technology（挪威科学与技术大学）；University of California Santa Cruz（加州大学圣克鲁兹分校）；University of Bergen（卑尔根大学）
针对时间序列预测模型在分布外数据上缺乏鲁棒性且现有数据增强方法计算昂贵、不可解释的问题，提出结合时间序列分解与解析函数的可解释生成框架，并开发了可视化分析工具 EXPRTS，通过生成有意义的OOD时间序列有效提升模型鲁棒性。
2025-06-27 cs.LG
SAGDFN: A Scalable Adaptive Graph Diffusion Forecasting Network for Multivariate Time Series Forecasting
Nanyang Technological University（南洋理工大学）；Harbin Institute of Technology(Shenzhen)（哈尔滨工业大学（深圳））；NCS Pte Ltd（NCS私人有限公司）；DAMO Academy, Alibaba group（阿里巴巴达摩院）
针对现有时空图神经网络在大规模多变量时间序列预测中可扩展性差、性能受限的问题，提出无需空间先验知识的SAGDFN，可适配数千节点数据集，在大规模数据集上性能显著优于现有最优方法。
2024-06-18 cs.LG
Implicit Reasoning in Deep Time Series Forecasting
Carnegie Mellon University（卡内基梅隆大学）；Nixtla（Nixtla公司）
本研究评估了深度时间序列预测模型的隐式推理能力，发现线性、基于MLP和基于patch的Transformer模型在分布外场景中能有效泛化，表明其具备超越简单模式记忆的推理能力。
2024-11-10 cs.LG
Forecasting with Guidance: Representation-Level Supervision for Time Series Forecasting
Xijing University（西安电子科技大学）；Northeastern University（东北大学）
本文提出ReGuider方法，通过预训练时间序列基础模型进行表示级监督，提升时间序列预测的准确性与表现力。
2026-03-25 cs.LG
Robust Probabilistic Time Series Forecasting
Seoul National University（首尔国立大学）；AWS AI Labs, Amazon Research（亚马逊研究院AWS人工智能实验室）
概率时间序列预测由于其量化不确定性的能力，在决策过程中发挥着至关重要的作用。然而，深度预测模型可能容易受到输入扰动的影响，这种扰动的概念以及鲁棒性的概念甚至还没有在概率预测领域完全建立起来。在这项工作中，我们提出了一个框架，强大的概率时间序列预测。首先，我们推广了对抗性输入扰动的概念，在此基础上，我们制定了有界Wasserstein偏差的鲁棒性的概念。然后，我们扩展了随机平滑技术，以获得强大的概率预测与理论的鲁棒性证书，对某些类别的对抗性扰动。最后，大量的实验表明，我们的方法是有效的经验，提高预测质量下添加对抗攻击和预测一致性下的噪音观测补充。
2022-02-24 cs.LG
RobustTSF: Towards Theory and Design of Robust Time Series Forecasting with Anomalies
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Alibaba Group（阿里巴巴集团）
本文针对含异常时间序列的鲁棒预测问题，定义了三种异常类型，分析损失与样本鲁棒性，提出简单高效算法，实验证明其优于现有方法。
2024-02-03 cs.LG
MixSeq: Connecting Macroscopic Time Series Forecasting with Microscopic Time Series Data
Ant Group（蚂蚁集团）
时间序列预测广泛用于商业智能，例如，预测股票市场价格、销售额，并帮助分析数据走势。大多数感兴趣的时间序列是从微观数据聚合的宏观时间序列。然而，很少有文献研究宏观时间序列的预测，而不是直接建模的宏观时间序列，利用数据在微观层面上。在本文中，我们假设微观时间序列遵循一些未知的混合概率分布。我们从理论上表明，当我们识别地面真实潜在的混合成分时，由于方差较低，可以改善对每个成分的时间序列的估计，从而也有利于对宏观时间序列的估计。受Seq2seq及其变体在时间序列数据建模方面的强大功能的启发，我们提出了Seq2seq的混合（MixSeq），这是一种用于聚类微观时间序列的end2end混合模型，其中所有组件都来自一系列由不同参数参数化的Seq2seq模型。在合成数据和真实数据上进行的大量实验表明了该方法的优越性。
2021-10-27 cs.LG
TimeGym: Debugging for Time Series Modeling in Python
我们介绍了TimeGym Forecasting Toolkit，这是一个用于测试和调试时间序列预测管道的Python库。TimeGym通过为新出厂的预测管道提供通用测试来简化测试预测管道。这些测试基于时间序列的常见建模挑战。我们的库使预测人员能够将测试驱动开发方法应用于预测建模，使用指定的预言机生成带有噪声的人工数据。
2021-05-04 cs.LG
Accuracy Law for the Future of Deep Time Series Forecasting
School of Software, Tsinghua University（清华大学软件学院）
针对深度时间序列预测研究方向模糊、基准任务饱和的问题，本文通过统计检验发现预测误差与逐窗口序列模式复杂度的指数关系即精度定律，可识别饱和任务并推导大模型训练策略。
2025-10-03 cs.LG
Interpretable Multivariate Time Series Forecasting Using Neural Fourier Transform
Technion - Israel Institute of Technology（以色列理工学院）
本文提出神经傅里叶变换（NFT）算法，结合多维傅里叶变换与时间卷积网络，在十四个数据集上验证了其高准确性和可解释性，为多元时间序列预测树立了新基准。
2024-05-22 cs.LG
Graph Deep Factors for Forecasting
Virginia Tech（弗吉尼亚理工大学）；Adobe Research（奥多比研究院）
最近提出了深度概率预测技术，用于对大量时间序列集合进行建模。然而，这些技术明确地假设集合中的时间序列之间完全独立（局部模型）或完全依赖（全局模型）。这对应于两种极端情况，其中每个时间序列与集合中的每个其他时间序列断开连接，或者类似地，每个时间序列与每个其他时间序列相关，从而产生完全连接的图。在这项工作中，我们提出了一个基于概率图的深度混合预测框架，称为图深度因子（GraphDF），它通过允许节点及其时间序列以任意方式连接到其他节点来超越这两个极端。GraphDF是一个混合预测框架，由关系全局模型和关系局部模型组成。特别是，我们提出了一个关系全局模型，学习复杂的非线性时间序列模式全球使用的结构图，以提高预测精度和计算效率。类似地，我们不是独立地对每个时间序列进行建模，而是学习一个关系局部模型，该模型不仅考虑其单个时间序列，还考虑图中连接的节点的时间序列。实验证明了所提出的基于深度混合图的预测模型在预测精度、运行时间和可扩展性方面与最先进的方法相比的有效性。我们的案例研究表明，GraphDF可以成功地生成云使用预测，并适时地调度工作负载，从而将云集群利用率平均提高47.5%。
2020-10-14 cs.LG
Two-stage hybrid models for enhancing forecasting accuracy on heterogeneous time series
Kent Business School, University of Kent, Canterbury, Kent, CT2 7FS, UK（肯特大学坎特伯雷分校）
本文针对异构时间序列数据提出两阶段混合建模框架，先用全局模型识别同质模式，再用局部模型或分组子模型捕捉异构性，在四个数据集上显著优于六种先进模型。
2025-11-07 cs.LG
Hybrid Variational Autoencoder for Time Series Forecasting
Deakin University（迪肯大学）；University of New South Wales（新南威尔士大学）；Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））
提出混合变分自编码器（HyVAE），通过变分推断联合学习时间序列的局部模式与时间动态，在四个真实数据集上优于对比方法和仅学习单一方面的变体。
2023-03-13 cs.LG
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
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
Probabilistic Circuits for Irregular Multivariate Time Series Forecasting
ISMLL, University of Hildesheim, Germany（Hildesheim大学智能系统实验室）；VWFS, Data Analytics Research Center（数据分析研究中心）
本文提出CircuITS概率电路架构，有效捕捉多变量时间序列复杂依赖关系，提升不规则时间序列联合分布估计精度。
2026-10-14 cs.LG
LangTime: A Language-Guided Unified Model for Time Series Forecasting with Proximal Policy Optimization
Tianjin University（天津大学）
本文提出LangTime模型，通过时序理解提示实现跨领域时间序列预测，并引入基于强化学习的TimePPO微调算法缓解自回归误差累积，取得最先进性能。
2025-07-01 cs.LG
auto-sktime: Automated Time Series Forecasting
USU GmbH（USU有限公司）；University of Stuttgart（斯图加特大学）；Leibniz University Hannover（汉诺威莱布尼茨大学）；Fraunhofer IPA（弗劳恩霍夫IPA研究所）
本文提出auto-sktime框架，利用贝叶斯优化、流程模板、热启动和多保真度优化自动构建统计、机器学习与深度神经网络预测流程，在64个真实数据集上以极少人工干预超越传统方法。
2024-04-30 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。
2026-06-09 cs.LG
Zero-Shot Time Series Forecasting with Covariates via In-Context Learning
Johannes Kepler University Linz（约翰·凯撒大学林茨）；University of Cambridge（剑桥大学）；AWS AI Labs（亚马逊AI实验室）
本文提出零样本时间序列预测模型 COSMIC，通过上下文学习有效利用协变量，并设计 Informative Covariate Augmentation 解决协变量数据稀缺问题，在有无协变量场景下均取得最先进性能。
2025-06-03 cs.LG
WPMixer: Efficient Multi-Resolution Mixing for Long-Term Time Series Forecasting
University of South Florida（南佛罗里达大学）；Intel Corporation（英特尔公司）
本文提出WPMixer，一种基于MLP的长期时间序列预测模型，通过结合多分辨率小波分解、分块和MLP混合，高效提取频时域信息及局部全局特征，显著优于现有先进模型。
2024-12-22 cs.LG
CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting
Alibaba（阿里巴巴）
本文提出CARD模型，通过引入通道对齐注意力结构、token混合模块和鲁棒损失函数，克服了通道独立策略的缺陷，在时间序列预测任务上显著优于现有方法。
2024-02-16 cs.LG
Pre-trained Forecasting Models: Strong Zero-Shot Feature Extractors for Time Series Classification
NXAI GmbH（NXAI公司）；ELLIS Unit, LIT AI Lab, Institute for Machine Learning, JKU Linz（ELLIS单位、LIT AI实验室、机器学习研究所）；Interdisciplinary Transformation University Austria（跨学科转型大学奥地利）
最近对时间序列基础模型的研究主要集中在预测上，因此不清楚它们的学习表示的可推广性。在这项研究中，我们研究了冻结的预训练预测模型是否可以提供有效的分类表示。为此，我们比较了不同的表示提取策略，并介绍了两个模型无关的嵌入增强。我们的实验表明，最好的预测模型实现的分类准确度与专门为分类而预先训练的最先进的模型相匹配，甚至超过。此外，我们观察到预测和分类性能之间的正相关性。这些发现挑战了特定任务的预训练是必要的假设，并建议学习预测可能提供了一个强大的路径构建通用的时间序列基础模型。
2025-10-30 cs.LG
Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement
Baidu Research（百度研究院）；Zhejiang University（浙江大学）
时间序列预测在许多应用中是一个非常重要的研究课题。然而，现实世界的时间序列数据通常是在很短的时间内记录的，这导致深度模型与有限且有噪声的时间序列之间存在很大的差距。在这项工作中，我们提出了解决时间序列预测问题的生成建模，并提出了一个双向变分自动编码器（BVAE）配备扩散，去噪，和解纠缠，即D3VAE。具体而言，耦合扩散概率模型，提出了增加时间序列数据，而不增加任意的不确定性，并实现了更易于处理的推理过程与BVAE。为了保证生成的序列向真实目标移动，我们进一步提出了适应和集成的多尺度去噪得分匹配到时间序列预测的扩散过程。此外，为了提高预测的可解释性和稳定性，我们以多变量的方式处理潜在变量，并在最小化总相关性的基础上将其解开。大量的实验合成和真实世界的数据表明，D3VAE优于竞争对手的算法显着的利润率。我们的实现可以在https://github.com/PaddlePaddle/PaddleSpatial/tree/main/research/D3VAE上获得。
2023-01-08 cs.LG
Respecting Time Series Properties Makes Deep Time Series Forecasting Perfect
Beihang University（北京航空航天大学）
如何处理时间特征是任何时间序列预测模型的核心问题。具有讽刺意味的是，它经常被基于深度学习的模型忽视或误解，即使是那些最先进的基线。这种行为使得它们效率低下，站不住脚和不稳定。本文从时间序列特性的角度出发，严格分析了三种流行的但存在缺陷/不足的深度时间序列预测机制或方法，包括归一化方法、多变量预测和输入序列长度。从经验和理论两方面给出了相应的推论和解决办法。因此，我们提出了一种新的时间序列预测网络，即RTNet，在上述分析的基础上。它足够通用，可以与监督和自监督预测格式相结合。由于尊重时间序列属性的核心思想，无论采用哪种预测格式，RTNet在三个真实世界的基准数据集上与其他数十种SOTA时间序列预测基线相比，都显示出明显优越的预测性能。总的来说，它甚至占用更少的时间复杂度和内存使用，同时获得更好的预测精度。源代码可在https://github.com/OrigamiSL/RTNet上获得。
2022-07-22 cs.AI cs.LG
Series Saliency: Temporal Interpretation for Multivariate Time Series Forecasting
Tsinghua University（清华大学）
时间序列预测是一项重要而又具有挑战性的任务。虽然最近开发了深度学习方法来提供更好的预测结果，但提高时间序列模型的可解释性至关重要。以往的解释方法，包括一般的神经网络方法和基于注意力的方法，主要考虑特征维度的解释，而忽略了关键的时间维度。本文提出了多元时间序列预测时间解释的序列显著性框架，该框架考虑了特征和时间两个维度的预测解释。通过从时间序列的滑动窗口中提取“序列图像”，我们应用显著图分割遵循最小破坏区域的原则。序列显着性框架可以用于任何定义良好的深度学习模型，并作为数据增强来获得更准确的预测。几个真实数据集上的实验结果表明，我们的框架产生的时间序列预测任务的时间解释，同时产生准确的时间序列预测。
2020-12-16 cs.AI cs.LG
Monash Time Series Forecasting Archive
Monash University（莫纳什大学）；University of Sydney（悉尼大学）
当今许多企业和行业都依赖于大量的时间序列数据，这使得时间序列预测成为一个重要的研究领域。与传统的孤立序列单变量预测模型相比，跨时间序列集训练的全球预测模型在提供准确预测方面显示出巨大的潜力。然而，目前还没有全面的时间序列预测档案，其中包含来自类似来源的时间序列数据集，可供研究界评估新的全球预测算法在各种数据集上的性能。在本文中，我们提出了这样一个全面的时间序列预测档案，包含20个公开的时间序列数据集，从不同的领域，具有不同的特点，在频率，序列长度，并包括缺失值。我们还对数据集进行了特征分析，并确定了它们之间的相似性和差异性。此外，我们提出了一套标准的基线预测方法的性能在所有数据集的八个误差指标，为研究人员使用档案基准他们的预测算法的好处。
2021-05-14 cs.LG stat.ML
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
Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case
Google, LLC（谷歌有限责任公司）
本文提出了一种新的时间序列预测方法。时间序列数据在许多科学和工程学科中普遍存在。时间序列预测是时间序列数据建模的一项重要任务，也是机器学习的一个重要领域。在这项工作中，我们开发了一种新的方法，采用基于transformer的机器学习模型来预测时间序列数据。这种方法的工作原理是利用自我注意力机制从时间序列数据中学习复杂的模式和动态。此外，它是一个通用的框架，可以应用于单变量和多变量时间序列数据，以及时间序列嵌入。使用流感样疾病（ILI）预测作为案例研究，我们表明，我们的方法产生的预测结果是有利的国家的最先进的。
2020-01-23 cs.LG stat.ML
Inter-Series Transformer: Attending to Products in Time Series Forecasting
MIT（麻省理工学院）；IBM Research（IBM研究院）
本文提出Inter-Series Transformer，通过跨时间序列注意力和共享多任务网络捕捉产品间交互并缓解稀疏性，在医疗设备供应链案例及公开数据集上提升需求预测性能。
2024-08-07 cs.AI cs.LG
A Novel Hyperdimensional Computing Framework for Online Time Series Forecasting on the Edge
School of Electrical And Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
本文提出TSF-HD框架，将在线非线性时间序列预测转化为线性超维度预测，通过协同训练适应分布变化，实现快速、轻量且低延迟的在线预测，性能优于现有方法。
2024-02-03 cs.AI cs.LG
Towards Automatic Forecasting: Evaluation of Time-Series Forecasting Models for Chickenpox Cases Estimation in Hungary
Telekom Innovation Laboratories（德国电信创新实验室）；Eötvös Loránd University（厄特沃什·罗兰大学）
时间序列预测是一个强大的数据建模学科，它分析历史观测结果以预测时间序列的未来值。它已被用于许多应用，包括但不限于经济学，气象学和健康。在本文中，我们使用时间序列预测技术来建模和预测未来的水痘发病率。为了实现这一目标，我们在匈牙利收集的数据集上实现并模拟了多个模型和数据预处理技术。我们证明了LSTM模型在绝大多数县级预测实验中的表现优于所有其他模型，而SARIMAX模型在国家一级的表现最好。我们还证明了传统的数据预处理方法的性能不如我们提出的数据预处理方法。
2022-10-04 cs.AI cs.LG
DVS: Deep Visibility Series and its Application in Construction Cost Index Forecasting
Southwest University（西南大学）；Chongqing University（重庆大学）
时间序列预测是近年来的研究热点。可见性图（VG）算法在以往的研究中被用于时间序列预测，但预测效果不如基于人工神经网络（ANN）、卷积神经网络（CNN）和长短期记忆网络（LSTM）的方法等深度学习预测方法。特定时间序列生成的可见性图包含丰富的网络信息，但以往的预测方法没有有效地利用网络信息进行预测，导致预测误差比较大。为了优化基于VG的预测方法，本文通过VG的仿生设计和对以往研究的扩展，提出了深度可见性系列（DVS）模块。通过将生物视觉的仿生设计应用于VG，DVS获得了较高的预测精度。同时，本文将DVS预测方法应用于工程造价指标预测，具有实际意义。
2022-05-14 cs.AI cs.LG
Combating Distribution Shift for Accurate Time Series Forecasting via Hypernetworks
Nanchang University（南昌大学）；ETH Zurich（苏黎世联邦理工学院）；The Hong Kong Polytechnic University（香港理工大学）
时间序列预测在城市生活中有着广泛的应用，从空气质量监测到交通分析。然而，准确的时间序列预测是具有挑战性的，因为现实世界的时间序列遭受的分布偏移的问题，其中它们的统计特性随时间而变化。尽管广泛的解决方案，分布偏移领域自适应或推广，他们无法有效地在未知的，不断变化的分布偏移，这是常见的时间序列。在本文中，我们提出了超时间序列预测（HTSF），一个基于超网络的准确预测框架下的分布偏移的时间序列。HTSF以端到端的方式联合学习时变分布和相应的预测模型。具体而言，HTSF利用超层来学习分布偏移的最佳表征，生成主层的模型参数以进行准确的预测。我们将HTSF实现为一个可扩展的框架，可以合并不同的时间序列预测模型，如RNN和Transformers。在9个基准上的大量实验表明，HTSF达到了最先进的性能。
2022-07-14 cs.AI cs.LG
