Scene-Conditioned Relation Routing for urban cellular activity forecasting
Xinjiang University(新疆大学)
提出场景条件关系路由框架SCRR-Net,利用城市上下文联合控制空间依赖与跨任务知识迁移,在米兰和特伦托数据集上提升短信、流量和通话预测性能。
2026-09-18 cs.AI cs.LG
Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling
Tampere University(坦佩雷大学)
本研究提出模型无关框架,利用深度限价订单簿预测器比较反事实消息注入前后的预测分布,定义短时域市场冲击,实验显示高相关性,证明可无需重训用于场景条件响应建模。
2026-09-16 cs.AI cs.LG
Subject-Conditioned Glucose Forecasting in Type-1 Diabetes
研究针对1型糖尿病血糖预测问题,提出多模态深度学习架构SCGP,基于观测数据和个体表征预测血糖,通过分离特征与建模避免早期融合,实验证明其能提高预测性能,利于个性化糖尿病管理。
2026-07-22 cs.LG q-bio.QM
Multivariate Probabilistic Time Series Forecasting via Conditioned Normalizing Flows
Zalando Research(Zalando研究院)
时间序列预测通常是科学和工程问题的基础,并使决策成为可能。随着数据集大小的不断增加,扩大预测的一个简单解决方案是假设交互时间序列之间的独立性。然而,建模统计依赖性可以提高准确性,并能够分析交互作用效应。深度学习方法非常适合这个问题,但多变量模型通常假设一个简单的参数分布,并且不能扩展到高维。在这项工作中,我们通过自回归深度学习模型对时间序列的多变量时间动态进行建模,其中数据分布由条件归一化流表示。这种组合保留了自回归模型的功能,例如外推到未来的良好性能,以及作为通用高维分布模型的流量灵活性,同时保持计算上的易处理性。我们表明,它提高了许多现实世界的数据集与几千个相互作用的时间序列的标准指标的最先进的。
2021-01-14 cs.LG stat.ML
From Rainfall to Road-Network Functionality: Transferable Graph Forecasting for Flood-Disrupted Transportation Networks
College of Civil Engineering and Architecture, Zhejiang University(浙江大学建筑工程学院)
本研究提出可迁移时空图学习框架G-R2R,将降雨引发的路网中断视为图预测问题,经温州10个易涝地区数据评估,其预测性能优于基线,可实现跨区域快速节点级路网功能预测。
2026-10-14 cs.LG
Treatment-Conditioned Diffusion for Forecasting Neurodegenerative Disease Progression
Innoloft Inc.(Innoloft公司);Bogomolets National Medical University(博戈莫列茨国家医学大学)
提出一种治疗条件扩散框架,通过条件化生成过程于患者的筛查DaTscan图像和一年内左旋多巴等效日剂量,预测高保真未来脑状态,在临床保真度上显著优于基线。
2026-05-28 cs.CV 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
HCNAF: Hyper-Conditioned Neural Autoregressive Flow and its Application for Probabilistic Occupancy Map Forecasting
University of Michigan(密歇根大学);Uber ATG(优步先进技术集团)
我们介绍超条件神经自回归流(HCNAF),一个强大的通用分布逼近器,旨在模拟任意复杂的条件概率密度函数。HCNAF由一个基于神经网络的条件自回归流(AF)和一个超网络组成,该超网络可以以非自回归的方式处理大的条件并输出AF的网络参数。像其他流模型一样,HCNAF执行精确的似然推理。我们在玩具实验和MNIST上进行了一些密度估计任务,以证明HCNAF的有效性和属性,包括其在看不见的条件下的泛化能力和表现力。最后,我们证明了HCNAF可以扩展到自动驾驶规模的复杂高维预测问题,并且HCNAF在公共自动驾驶数据集中产生了最先进的性能。
2020-04-27 cs.LG cs.RO stat.ML
Fuzzy-MoE: Interpretable Regime-Conditioned Expert Routing for Non-Stationary Multivariate Time Series Forecasting
本文提出Fuzzy-MoE模型,通过双视图模糊路由器实现可解释专家路由,在非平稳多元时间序列预测中显著优于主流方法,同时具备透明可追溯的机制。
2026-08-24 cs.AI cs.LG
MemCast: Memory-Driven Time Series Forecasting with Experience-Conditioned Reasoning
University of Science and Technology of China(中国科学技术大学)
提出MemCast框架,将时间序列预测转化为经验条件推理任务,通过层次化记忆学习历史模式、推理智慧和一般规律,并采用动态置信度适应策略实现持续进化,在多个数据集上优于现有方法。
2026-06-09 cs.AI cs.LG
Timestep-Conditioned Transformers for Global Weather Forecasting
该研究提出名为GEM-3的轻量级邻域注意力Transformer,通过显式多时间步推理解决天气预报时间步长的权衡问题,实现平衡可预测性与可用性的全球天气预报系统。
2026-08-07 cs.LG cs.OS
DECODE: Dual-Enhanced Conditioned Diffusion for EEG Forecasting
Concordia Institute for Information Systems Engineering (CIISE), Concordia University, Canada. Department of Electrical;Computer Engineering, University of Toronto, Canada
DECODE通过结合自然语言描述与历史信号的时序动态,实现对认知事件特定神经响应的预测,达到亚微伏精度。
2026-02-25 cs.CL cs.HC cs.LG
Interactive 4D Volumetric Liquid Forecasting under Moving-Solid Interaction
Chung-Ang University(中央大学)
本研究提出交互式4D体积液体预测任务,构建两级循环框架TIDE/TIDES,经多类实验验证其在运动固体交互下的稠密液体预测性能最优,为相关领域奠定可控基础。
2026-10-14 cs.AI cs.CE 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
DRIFT: Direct-Recursive Intervention-Conditioned Forecasting of ICU Physiological Trajectories
MIMIC-IV;eICU-CRD
研究针对ICU时间序列预测问题,提出DRIFT混合框架,直接模型主预测,递归行动条件模型校正。在MIMIC-IV和eICU-CRD数据上评估,结果显示其在降低MAP平均绝对误差上有优势,在特定审核及稳健性实验中表现良好。
2026-07-29 cs.LG eess.SP
APT: Affine Prototype-Timestamp For Time Series Forecasting Under Distribution Shift
针对分布偏移下时间序列预测中现有模型依赖局部统计归一化的局限,提出轻量插件模块APT,通过时间戳条件原型学习生成仿射参数注入归一化-预测流程,兼容多骨干网络且显著提升分布偏移下的预测性能。
2025-11-17 cs.LG
NBMLSS: probabilistic forecasting of electricity prices via Neural Basis Models for Location Scale and Shape
CNR(意大利国家研究委员会);Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing(智能工业技术与先进制造系统研究所)
提出位置尺度和形状的神经基模型(NBMLSS),结合GAMLSS的可解释性与可扩展共享基分解,在多市场电价预测中实现与分布神经网络相当的性能,同时提供更深入的模型行为见解。
2024-12-20 cs.LG
Rethinking Post-Training Recipes for Multimodal Time-Series Forecasting
Georgia Institute of Technology(佐治亚理工学院);Google Research(谷歌研究)
提出PostTime后训练方法,结合监督微调和基于可验证奖励的强化学习,利用大语言模型根据多模态上下文修正数值时间序列基础模型的预测,显著提升多模态时间序列预测性能。
2026-05-28 cs.LG
WorldTS: World Modeling for Multimodal Covariate-aware Time Series Forecasting
East China Normal University(华东师范大学);Aalborg University(奥尔堡大学)
WorldTS提出一种基于世界建模的时间序列预测框架,通过两阶段训练将多模态协变量直接整合进潜在状态动力学学习,并在21个真实数据集上验证了其有效性。
2026-09-28 cs.LG
CEDAR: Controlled and Event-Driven Demand Forecasting via Residual Decomposition
School of Artificial Intelligence and Data Science, University of Science and Technology of China(中国科学技术大学人工智能与数据科学学院);Alibaba Group(阿里巴巴集团);Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)人工智能学域)
该研究针对现有时间序列预测方法对策略不敏感、反事实分析不可靠的问题,提出基于残差分解的两阶段框架CEDAR,在阿里1688数据集上验证其可提升模拟精度并助力预算规划。
2026-08-27 cs.LG
CoGenCast: A Coupled Autoregressive-Flow Generative Framework for Time Series Forecasting
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)
针对时间序列预测需兼顾语义理解与随机建模的问题,提出CoGenCast框架,将预训练大语言模型与流匹配机制结合,通过修改注意力拓扑重配置模型,集成流匹配机制捕捉动态,实现多模态预测和跨域统一训练,实验显示性能具竞争力。
2026-07-14 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
Conditional Mutual information-based Contrastive Loss for Financial Time Series Forecasting
KTH Royal Institute of Technology(瑞典皇家理工学院);RISE Research Institutes of Sweden(瑞典RISE研究院)
我们提出了一个金融时间序列预测的表示学习框架。使用深度学习模型进行金融预测的一个挑战是在使用小数据集时缺乏可用的训练数据。使用在小数据集上训练的深度神经网络进行直接趋势分类容易受到过拟合问题的影响。在本文中,我们建议首先从时间序列数据中学习紧凑的表示,然后使用学习到的表示来训练一个更简单的模型来预测时间序列运动。我们考虑一类条件潜变量模型。我们训练一个编码器网络,以最大化潜在变量和以编码的观测变量为条件的趋势信息之间的互信息。我们表明,条件互信息最大化可以近似的对比损失。然后,问题被转化为一个分类任务,确定两个编码表示是否是从同一类或不采样。这相当于对训练数据点进行成对比较,从而提高了编码器网络的泛化能力。我们使用深度自回归模型作为编码器来捕获序列数据的长期依赖性。实证实验表明,我们提出的方法有可能提高最先进的性能。
2021-05-07 cs.LG stat.ML
Susceptible Reservoir Architectures for Regime-Conditional Volatility Forecasting
Monodromy(英国Monodromy公司)
研究针对波动率预测中非线性模型可利用结构有限的问题,提出易感性架构(SUSA)及具体实现,结合复值蓄水池与状态条件专家,在Qiskit中实现q比特对应物,经实验评估,模型在与GARCH竞争及补充HARQ预测方面有良好表现。
2026-07-28 cs.LG
LLM as Forecasting Planner: Training-Free Text Conditioning for Time-Series Foundation Models
Deakin University(迪肯大学);Applied Artificial Intelligence Initiative(应用人工智能倡议)
研究文本条件时间序列预测问题,核心方法是将预测设为TSFM生成轨迹上的规划问题,以冻结TSFM为模拟器、LLM为策略和价值函数,实例化\rc{}框架,主要贡献是通过实验证明该框架能带来持续改进。
2026-07-29 cs.AI cs.LG
QiYao-I: A Manifold Based Foundation Model for Irregular Multivariate Time Series Forecasting
East China Normal University(华东师范大学);Huawei Technologies Ltd.(华为技术有限公司)
QiYao-I提出基于流形的时间注意力与频率感知动态变量交互机制,用于不规则多元时间序列预测,在基准上超越现有模型,具备强零样本和少样本泛化能力。
2026-10-14 cs.LG
A Patient World Model for Early Forecasting of Digital Health Campaign Outcomes: Capabilities and Limits
IQVIA(艾昆纬)
针对数字健康活动结果早期预测,提出紧凑患者世界模型,利用潜在状态与暴露条件动态联合建模转化风险,在真实数据上显著降低预测误差,并揭示因果解释的局限。
2026-09-22 cs.AI cs.LG
BeliefGraph-JEPA: Structured Latent World Models for Action-Conditioned Time Series
Carnegie Mellon University(卡内基梅隆大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Stevens Institute of Technology(史蒂文斯理工学院)
针对动作条件时间序列预测,提出BeliefGraph-JEPA结构化潜在世界模型,通过类型化潜在效应状态和图路由捕捉未来驱动因素影响,在四个多目标系统上优于多种基线。
2026-10-06 cs.AI cs.LG
DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters
School of Software, BNRist, Tsinghua University(软件学院、BNRist、清华大学)
DiTS通过双流Transformer块处理时间序列的内生和外生变量依赖,实现高效生成预测。
2026-10-08 cs.LG
Z-GCNETs: Time Zigzags at Graph Convolutional Networks for Time Series Forecasting
Southern Methodist University(南卫理公会大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of Texas at Dallas(德克萨斯大学达拉斯分校);NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室)
最近,人们对开发一类新的深度学习(DL)架构产生了浓厚的兴趣,这种架构集成了显式的时间维度作为学习和表示机制的基本构建块。反过来,最近的许多结果表明,观察到的数据的拓扑描述符,编码信息的数据集在拓扑空间中的形状在不同的尺度,即持久的同源性的数据,可能包含重要的补充信息,提高性能和鲁棒性的DL。作为这两个新兴思想的融合,我们提出了增强DL架构与最显着的时间条件下的拓扑信息的数据,并引入锯齿持久性的概念到时间感知的图卷积网络(GCN)。曲折持久性提供了一个系统的和数学上严格的框架来跟踪观察到的数据中最重要的拓扑特征,这些特征往往会随着时间的推移而显现出来。为了将提取的时间条件拓扑描述符集成到DL中,我们开发了一种新的拓扑摘要,锯齿持久性图像,并推导出其理论稳定性保证。我们使用时间感知的锯齿拓扑层(Z-GCN)验证了新的GCN,并将其应用于流量预测和以太坊区块链价格预测。我们的研究结果表明,Z-GCNET优于13个国家的最先进的方法在4个时间序列数据集。
2021-05-10 cs.LG stat.ML
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
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
Multi-scale Attention Flow for Probabilistic Time Series Forecasting
LILY Research Center, Nanyang Technological University(南洋理工大学LILY研究中心);Tencent AI Lab(腾讯人工智能实验室);Qilu Hospital of Shandong University(山东大学齐鲁医院)
针对多变量时间序列概率预测的跨序列相关性捕捉与上下文信息建模难题,提出融合多尺度注意力与相对位置信息的非自回归MANF模型,以条件归一化流建模分布,避免累积误差且不增时间复杂度,在多数据集上达SOTA性能。
2023-07-21 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
UniWind: Day-Ahead Wind Power Forecasting via Physics-Informed State Routing
East China Normal University(华东师范大学);Southern University of Science and Technology(南方科技大学);Tsinghua University(清华大学)
提出UniWind模型,通过物理先验估计器和潜在状态编码器,结合状态路由与专家校正,实现准确鲁棒的日前风电功率预测,在20多个真实数据集上验证了效果。
2026-10-16 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
Context-free Self-Conditioned GAN for Trajectory Forecasting
Knut and Alice Wallenberg Foundation(瓦伦贝格基金会)
本文提出了一种无上下文自条件GAN方法,用于从轨迹中学习不同模式,从而提升轨迹预测的准确性。
2026-03-09 cs.LG
Demand Forecasting from Spatiotemporal Data with Graph Networks and Temporal-Guided Embedding
POSTECH(浦项科技大学);Statice GmbH(Statice有限公司);Kakao Brain;Kakao Mobility
短期需求预测模型通常结合卷积层和递归层来提取数据中复杂的时空模式。长期历史也被用来考虑作为时间序列数据的周期性和季节性模式。在本研究中,我们提出了一种高效的架构,即时间引导网络(TGNet),它利用图网络和时间引导嵌入。图网络将不变特征提取到相邻区域的排列中,而不是卷积层。时间引导的嵌入从训练数据中显式地学习时间上下文,并替换来自数天/数周前的长期历史的输入。TGNet学习自回归模型,该模型以时间引导嵌入的预测目标的时间背景为条件。最后,我们的模型在来自现实世界的三个时空需求数据集上实现了与其他基线竞争的性能,但可训练参数的数量比最先进的基线小约20倍。我们还表明,时间引导嵌入学习时间上下文的预期和TGNet具有强大的预测性能,即使是非典型事件的情况。
2019-10-07 cs.LG stat.ML
Physics-Informed Neural Controlled Differential Equations for Scalable Long Horizon Multi-Agent Motion Forecasting
Carnegie Mellon University(卡内基梅隆大学);Amazon Robotics(亚马逊机器人)
针对多自主机器人长时程运动预测难题,提出以多智能体目标为条件的PINCoDE模型,结合神经控制微分方程与物理约束,可无参扩展至百台机器人,长时程预测精度显著优于解析模型。
2025-10-01 cs.AI cs.LG cs.MA
FlexCast: Adaptive Weather Forecasting from Arbitrary Field Sets
Nanjing University of Information Science and Technology(南京信息工程大学);Nanyang Technological University(南洋理工大学);Harbin Institute of Technology(哈尔滨工业大学);Princeton University(普林斯顿大学)
FlexCast提出一种场自适应天气预报模型,通过元数据条件适配器和掩码集融合处理任意字段集,在69字段ERA5注册表上实现跨配置预测,实验验证了其有效性与上下文匹配的重要性。
2026-10-06 cs.LG
C2FAR: Coarse-to-Fine Autoregressive Networks for Precise Probabilistic Forecasting
Huawei Cloud, Alkaid Lab Canada(华为云,Alkaid 实验室加拿大)
C2FAR提出从粗到细的自回归网络,通过层次化离散化以线性复杂度实现指数级精度提升,用于概率预测,支持离散与连续序列,并在多个基准上超越现有方法。
2023-12-22 cs.AI cs.LG
EventTSF: Event-Aware Non-Stationary Time Series Forecasting
Griffith University, Australia(澳大利亚格里菲斯大学);Xidian University, China(西安电子科技大学);Yunnan University, China(云南大学);Microsoft Research Asia, China(微软亚洲研究院)
本文提出EventTSF框架,通过分步扩散整合时间序列与文本事件,解决非平稳时间序列预测中的多模态交互问题,实验显示在7个数据集上优于12个基线模型。
2026-05-10 cs.AI cs.LG
Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting
NVIDIA(NVIDIA公司)
本文提出了一种可扩展的框架,通过结合潜在空间和历史条件化的局部投影器,实现多尺度大气动力学的学习,从而提升中短期天气预报的准确性。
2026-01-26 cs.AI cs.LG
Adaptive Oscillatory-State Alignment for Time Series Forecasting
University of Science and Technology of China(中国科学技术大学)
提出AOSNET框架,通过希尔伯特变换将固定模板匹配改为自适应振荡状态对齐,以处理实际时间序列中的非平稳振荡行为,在多个基准上达到先进或竞争性精度。
2026-06-15 cs.DB cs.LG
Trajectron++: Dynamically-Feasible Trajectory Forecasting With Heterogeneous Data
Stanford University(斯坦福大学);Ford Greenfield Labs(福特格林菲尔德实验室)
对人体运动的推理是安全和社会意识的机器人导航的重要前提。因此,多智能体行为预测已成为现代人机交互系统(如自动驾驶汽车)的核心组件。虽然存在许多用于轨迹预测的方法,但是大多数方法不强制执行动态约束并且不考虑环境信息(例如,地图)。为此,我们提出了Trajectron++,一个模块化的,图结构的递归模型,预测一般数量的不同代理的轨迹,同时结合代理动态和异构数据(例如,语义图)。Trajectron++被设计为与机器人规划和控制框架紧密集成;例如,它可以生成以自我-智能体运动计划为条件的预测。我们在几个具有挑战性的真实世界轨迹预测数据集上展示了其性能,优于各种最先进的确定性和生成方法。
2021-01-13 cs.HC cs.LG cs.RO
Beyond Static Positional Encoding: Bayesian Time-aware Attention for Non-Stationary Long-term Time Series Forecasting
Rice University(莱斯大学);University of Hong Kong(香港大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
该研究针对非平稳长期时间序列预测问题,提出贝叶斯时间感知注意力机制,通过概率视角分析静态位置编码的局限,经实验验证其可提升Transformer的预测性能且开销适中。
2026-10-14 cs.AI cs.LG
RefineBridge: Generative Bridge Models Improve Financial Forecasting by Foundation Models
Department of Electrical and Electronic Engineering, Imperial College London, UK(帝国理工学院伦敦分校电子与电气工程系);Department of CST, Tsinghua University, Beijing, China(清华大学计算机科学与技术系)
RefineBridge通过生成桥梁模型改进金融预测,利用可处理的Schrödinger Bridge框架提升时间序列基础模型的预测性能。
2026-01-30 cs.LG eess.SP
Forecasting Future Language: Context Design for Mention Markets
LinqAlpha;Massachusetts Institute of Technology(麻省理工学院);Kalshi;IBM;LG AI Research(LG AI研究);University of Florida(佛罗里达大学);Seoul National University(首尔国立大学);Pusan National University(釜山国立大学);University of California, Berkeley(加州大学伯克利分校);UNIST(全南国立大学)
本文研究了提及市场中上下文设计对预测准确性的影响,提出市场条件提示(MCP)方法,通过结合市场概率和文本证据提升预测鲁棒性。
2026-02-27 cs.CL cs.LG q-fin.GN
Bridging the Last Mile of Prediction: Enhancing Time Series Forecasting with Conditional Guided Flow Matching
University of Science and Technology of China(中国科学技术大学);University of Pittsburgh(匹兹堡大学);Tianjin University(天津大学)
提出模型无关框架CGFM,通过整合辅助预测模型输出扩展流匹配,利用残差概率结构并引入双侧条件路径与仿射路径,有效保持时间一致性并提升时间序列预测精度。
2025-08-08 cs.AI cs.LG
PersonaLedger: Generating Realistic Financial Transactions with Persona Conditioned LLMs and Rule Grounded Feedback
Capital One;Google(谷歌);University of Maryland, College Park(马里兰大学学院 park 分校)
PersonaLedger通过基于人设的LLM和规则驱动的反馈生成逼真的财务交易,提供隐私保护的数据集和基准测试,支持金融AI的创新与评估。
2026-01-20 cs.LG
Beyond Average Error through Oracle-Informed Stress Tests for Time-Series Forecasting
Tsinghua University(清华大学)
本文提出预言机知情压力测试,将预测误差分解为环境风险与预言机距离,并在24个模型上验证,发现性能下降主要由环境风险驱动,且部分发现不可复现。
2026-09-23 cs.LG
Systematic Generalization in Neural Networks-based Multivariate Time Series Forecasting Models
University of Washington(华盛顿大学);TCS Research(塔塔咨询服务公司研究院)
系统泛化的目的是评估从已知成分中对新组合的推理,这是人类认知的内在属性。在这项工作中,我们研究了系统的泛化神经网络预测未来的时间序列的因变量的动力系统,条件是过去的时间序列的因变量,过去和未来的控制变量。我们专注于系统的泛化,其中基于NN的预测模型应该在有限的一组可能的制度上训练后,在以前看不见的控制变量组合或制度上表现良好。对于描述这种分布外泛化的NN,它们应该能够理清控制变量和因变量之间的各种依赖关系。我们假设,一个模块化的NN架构指导下的控制变量的独立性作为一个潜在的有用的归纳偏见,为此。通过对玩具数据集和模拟电动机数据集进行广泛的实证评估,我们表明,我们提出的模块化NN架构可以作为一种简单而高效的归纳偏差,与标准NN相比,它可以更好地预测因变量到大范围,并且确实捕获了因变量和控制变量之间的真实依赖关系。
2021-03-07 cs.AI cs.LG cs.RO
STCFormer: Adaptive Spatio-Temporal Modeling with Dynamic Cluster Transformer for Station-based Weather Forecasting
Hunan University(湖南大学);China Meteorological Administration(中国气象局);Hunan Provincial Meteorological Bureau(湖南省气象局)
STCFormer提出一种自适应时空Transformer,通过动态聚类和簇引导注意力平衡局部与全局信息,在八个天气预测任务上取得最优性能。
2026-10-02 cs.LG stat.ML
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