Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data
Sorbonne University Abu Dhabi（阿布扎比索邦大学）；Sorbonne Université（索邦大学）
本综述统一了概率预测方法论，通过跨范式实证研究揭示不同不确定性量化范式的适用性，并指出未来挑战。
2026-09-15 cs.LG econ.EM stat.AP
Short-term forecasting of Amazon rainforest fires based on ensemble decomposition model
Pontifical Catholic University of Parana（巴拉那天主教大学）；Federal Technological University of Parana（巴拉那联邦理工大学）；Federal University of Parana（巴拉那联邦大学）
准确的预测对决策者来说非常重要。最近，亚马逊雨林的火灾数量达到创纪录的水平，这种情况既关系到气候问题，也关系到公共卫生问题。获得所需的预测精度变得困难和具有挑战性。本文提出了一种新的异构分解集成模型，利用基于黄土的季节和趋势分解，结合多个月前的短期负荷预测算法，探索在巴西亚马逊雨林火灾的时间模式。结果表明，所提出的分解集成模型可以提供更准确的预测性能指标评估。Diebold-Mariano统计检验表明，所提出的模型优于其他比较模型，但在统计上等于其中之一。
2020-07-23 cs.LG stat.ML
Deep Probabilistic Koopman: Long-term time-series forecasting under periodic uncertainties
University of Washington（华盛顿大学）
复杂现象的概率预测对各种科学学科和应用至关重要。尽管问题的普遍性和重要性，一般的数学技术，允许稳定的长期预测校准不确定性措施是缺乏的。对于大多数时间序列模型，获得准确的概率未来时间步长预测的难度随着预测范围的增加而增加。在本文中，我们介绍了一种令人惊讶的简单方法，该方法描述了时变分布的特征，并能够合理准确地预测未来数千个时间步。这种技术，我们称之为深度概率Koopman（DPK），是基于线性Koopman算子理论的最新进展，并且不需要时间步进来预测未来的时间。Koopman模型也倾向于具有较小的参数占用空间（通常少于10，000个参数）。我们展示了这些模型在不同领域的长期预测性能，包括电力需求预测，大气化学和神经科学。对于电力需求建模，我们的领域不可知技术在最近的全球能源预测竞赛中优于所有177个特定领域的竞争对手。
2021-06-10 cs.LG
RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting
McGill University（麦吉尔大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
时空预测在分析无线网络、交通网络和金融网络中有着广泛的应用。许多经典的统计模型在处理时间序列数据中存在的复杂性和高度非线性方面往往存在不足。深度学习的最新进展允许更好地建模空间和时间依赖性。虽然大多数这些模型侧重于获得准确的点预测，但它们并不表征预测的不确定性。在这项工作中，我们认为时间序列数据作为一个随机实现的非线性状态空间模型和目标贝叶斯推断的隐藏状态的概率预测。我们使用粒子流作为近似状态的后验分布的工具，因为它被证明是非常有效的复杂，高维设置。在几个真实世界的时间序列数据集上进行的彻底实验表明，我们的方法提供了更好的不确定性表征，同时保持了与最先进的点预测方法相当的准确性。
2021-06-10 cs.LG stat.ML
Combining Probabilistic Forecasts of Intermittent Demand
针对间歇性需求概率预测研究不足、现有研究忽略库存影响的问题，本研究构建兼顾预测精度与库存效用的概率预测组合方法，实证发现其优于单一方法，但两类性能存在权衡。
2024-04-15 stat.AP
DRAformer: Differentially Reconstructed Attention Transformer for Time-Series Forecasting
Southwest Jiaotong University（西南交通大学）
时间序列预测在许多现实场景中扮演着重要的角色，例如设备生存周期预测、天气预报和交通流量预测。从最近的研究中可以观察到，各种基于变压器的模型在时间序列预测中表现出显著的效果。然而，仍然存在一些问题限制了基于transformer的模型在时间序列预测任务上的能力：（i）由于其复杂和不稳定的特征表示，直接在原始数据上学习容易受到噪声的影响;（ii）自我注意机制对变化的特征和时间依赖性关注不够。为了解决这两个问题，我们提出了一种基于变换的差分重构注意力模型DRAformer。具体而言，DRAformer具有以下创新：（i）针对差分序列进行学习，通过差分保留清晰稳定的序列特征，并突出序列的变化属性;（ii）重建注意力：综合距离注意力通过可学习的高斯核表示序列距离，分布差异注意力通过将差异序列映射到自适应特征空间计算分布差异，并且两者的组合有效地集中于具有显著关联的序列;（iii）重构的解码器输入，其通过整合变化信息和时间相关性来提取序列特征，从而获得更全面的序列表示。在四个大规模数据集上进行的广泛实验表明，DRAformer的性能优于最先进的基线。
2022-06-11 cs.AI cs.LG
Lorecast: Layout-Aware Performance and Power Forecasting from Natural Language
Texas A&M University（德克萨斯大学）；Duke University（杜克大学）
针对芯片设计规划中性能与功耗预测的准确性和效率问题，提出Lorecast方法，通过自然语言输入快速生成布局感知估计，绕过HDL开发，误差在几个百分点内并显著缩短周转时间。
2025-04-22 cs.AI cs.AR cs.CL
Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting
The Swiss AI Lab IDSIA（瑞士人工智能实验室IDSIA）；Università della Svizzera italiana（瑞士意大利语大学）；Imperial College London（帝国理工学院）；Politecnico di Milano（米兰理工大学）
本文提出基于图的统一关系与层次归纳偏置的深度预测方法，通过可训练图池化学习层次结构并引入可微分协调阶段，实验优于现有方法。
2024-08-21 cs.AI cs.LG
GEMA: An open-source Python library for self-organizing-maps
Universidad Francisco de Vitoria（弗朗西斯科·德·维多利亚大学）
组织已经意识到数据分析的重要性及其好处。这与机器学习算法相结合，可以更容易地解决问题，使这些过程更耗时。神经网络是机器学习技术，最近获得了非常好的结果。本文描述了一个名为GEMA的开源Python库，该库被开发用于使用一种名为自组织映射的神经网络模型。GEMA在GitHub（https：//github.com/ufvceiec/GEMA）上的GNU通用公共许可证下免费提供。该库已在不同的特定用例中进行评估，获得准确的结果。
2022-02-17 cs.AI cs.LG cs.NE
$\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization
Amazon Forecasting Science（亚马逊预测科学）；The Forecasting Company（预测公司）；Peloton Interactive, Inc.（Peloton互动公司）
针对层次化概率预测的相干性与准确性挑战，本文提出CLOVER方法，通过结合MQForecaster与多元高斯因子模型实现构造性相干，并支持任意可微目标优化，在六个数据集上CRPS平均提升15%。
2024-12-21 cs.AI cs.LG
Benchmarking Transformer and xLSTM for Time-Series Forecasting of Heat Consumption
RAUSCH Technology GmbH（RAUSCH技术公司）；Modeling and Simulation, University of Würzburg（建模与仿真，乌尔姆大学）
本文对比了变压器和xLSTM在建筑层面热耗预测中的性能，发现xLSTM在RMSE上表现最佳，但高参数模型的可持续性存疑，传统网络也能取得良好结果。
2026-05-10 cs.LG
An Experimental Review on Deep Learning Architectures for Time Series Forecasting
University of Sevilla（塞维利亚大学）
近年来，深度学习技术在许多机器学习任务中的表现优于传统模型。深度神经网络已成功应用于解决时间序列预测问题，这是数据采掘中一个非常重要的课题。他们已被证明是一个有效的解决方案，因为他们能够自动学习时间序列中存在的时间依赖关系。然而，选择最方便的深度神经网络类型及其参数化是一项复杂的任务，需要相当多的专业知识。因此，有必要更深入地研究所有现有架构对不同预测任务的适用性。在这项工作中，我们面临两个主要挑战：全面回顾使用深度学习进行时间序列预测的最新作品;以及比较最流行架构性能的实验研究。该比较涉及对七种类型的深度学习模型在准确性和效率方面的全面分析。我们评估了在许多不同的架构配置和训练超参数下使用所提出的模型获得的结果的排名和分布。所使用的数据集包括超过50000个时间序列分为12个不同的预测问题。通过在这些数据上训练38000多个模型，我们为时间序列预测提供了最广泛的深度学习研究。在所有研究的模型中，结果表明长短期记忆（LSTM）和卷积网络（CNN）是最好的选择，LSTM获得了最准确的预测。CNN实现了相当的性能，在不同的参数配置下结果的变化较小，同时也更有效。
2021-04-08 cs.AI cs.LG
A scalable approach for short-term disease forecasting in high spatial resolution areal data
本文针对高维区域数据提出一种基于“分而治之”的短期疾病预测方法，并在西班牙7907个市镇的癌症死亡率数据上验证其优于传统时空模型。
2023-03-29 stat.CO stat.ME
Forecasting Local Behavior of Self-organizing Many-agent System without Reconstruction
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种无需重建全部智能体状态的 CNN-LSTM 模型，通过 CNN 编码、LSTM 动力学学习和 MLP 解码，高效预测自组织多智能体系统中特定智能体的未来状态，并在森林火灾模型中验证了其在保持较高 AUC 的同时显著降低计算成本。
2023-05-31 cs.AI cs.LG
Enhancing Algorithm Performance Understanding through tsMorph: Generating Semi-Synthetic Time Series for Robust Forecasting Evaluation
LIACC/Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院/LIACC研究所）；Institute of Mathematical and Computer Sciences, University of São Paulo（圣保罗大学数学与计算机科学研究所）；Fraunhofer AICOS Portugal（弗劳恩霍夫葡萄牙AICOS研究所）
本文提出tsMorph工具，通过数据集变形生成半合成时间序列以解决预测算法评估中数据集不足的问题，并利用NN5竞赛数据验证了LSTM和DeepAR算法性能随序列频率提高而改善的规律。
2024-10-22 cs.AI cs.LG
Time series clustering based on prediction accuracy of global forecasting models
Research Center for Information and Communication Technologies (CITIC)（信息与通信技术研究中心（CITIC））；University of A Coruña（拉科鲁尼亚大学）；The University of Sydney Business School（悉尼大学商学院）
本研究提出一种基于全局预测模型预测精度的时间序列聚类新方法，通过迭代拟合簇内全局模型、按预测效果分配序列的方式聚类，兼具簇数选择机制与模型兼容性，在模拟和基准数据集上表现优于现有方法。
2023-04-30 cs.LG stat.ME stat.ML
Proactive Model Adaptation Against Concept Drift for Online Time Series Forecasting
Shanghai Jiao Tong University（上海交通大学）
Proceed 提出一种前瞻性模型适应框架，通过估计和转换概念漂移，提升在线时间序列预测对概念漂移的抗性。
2025-12-18 cs.AI cs.CE cs.LG
Transformer self-attention encoder-decoder with multimodal deep learning for response time series forecasting and digital twin support in wind structural health monitoring
Department of Mechanical Engineering, University of Bath（巴斯大学机械工程系）；Department of Civil Engineering, Zhejiang University（浙江大学土木工程系）
本文提出一种基于Transformer的多模态深度学习方法，用于风力结构响应时间序列预测和数字孪生支持，通过捕捉系统时间特性提升结构健康监测的准确性与鲁棒性。
2026-04-02 cs.AI cs.LG eess.SP
Transformer Vibration Forecasting for Advancing Rail Safety and Maintenance 4.0
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Universidad Politécnica de Madrid（马德里理工大学）
本研究提出基于Transformer的ShaftFormer模型及频谱增强替代模型，模拟和预测列车车轴振动信号，实现铁路预测性维护，提升安全性与效率。
2025-01-20 cs.AI cs.LG stat.ML
A new tidy data structure to support exploration and modeling of temporal data
挖掘时态数据的信息往往受到多种格式的限制：不规则或多个时间间隔，需要聚合的点事件，多个观测单位或多个个体的重复测量，以及异构数据类型。另一方面，支持时间序列建模和预测的软件对要提供的数据进行严格的假设，通常需要具有隐式时间索引的数字数据矩阵。从原始数据到模型就绪数据是痛苦的。这项工作提出了一个有凝聚力的概念框架，用于组织和操作时态数据，这些数据反过来又流入可视化，建模和预测例程。整洁数据原则通过以下方式扩展到时态数据：（1）将数据集的语义映射到其物理布局中;（2）包括显式声明的表示时间的索引变量;（3）并入包括单个或多个变量的“键”以随时间唯一地标识单元。这种整洁的数据表示最自然地支持将数据上的操作视为构建块，在基于时间的上下文中形成“数据管道”的一部分。声音数据管道促进用于分析时态数据的流畅工作流。整洁的时态数据的基础设施已经在R包“tsibble”中实现。
2019-02-13 stat.AP stat.CO
Attention network forecasts time-to-failure in laboratory shear experiments
Rice University（莱斯大学）；Pennsylvania State University（宾夕法尼亚州立大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；University of Nevada, Reno（内华达大学雷诺分校）；Sapienza Universitá di Roma（罗马一大（萨皮恩扎大学））
岩石在应力作用下通过蠕变机制变形，包括小规模内部裂纹的形成和滑动。晶内裂纹和沿晶粒接触面的滑移以弹性波的形式释放能量，称为声发射（AE）。AE被认为包含可用于故障预测的预测信息。本文提出了一种利用声发射波形特征进行非监督式分类和注意力网络预报实验室地震的方法。我们的数据是在实验室环境中使用双轴剪切装置与粒状断层泥旨在模仿构造断层的条件。在这里，我们分析了在数百个实验室地震周期中产生的AE的时间演化。我们使用良心自组织映射（CSOM）进行拓扑有序的矢量量化的波形特性的基础上。所得到的地图用于交互式聚类AE。我们检查了随时间推移的聚类，以确定具有预测能力的聚类。最后，我们使用各种LSTM和基于注意力的网络来测试AE集群的预测能力。通过跟踪地震周期内的累积波形特征，该网络能够预测实验室地震的失效时间（TTF）。我们的研究结果表明，分析数据以隔离预测信号并使用更复杂的网络架构是稳健预测实验室地震的关键。该方法可应用于构造断层监测地震和增强现有的预警系统。
2021-09-20 cs.LG physics.geo-ph
Improving Forecasts for Heterogeneous Time Series by "Averaging", with Application to Food Demand Forecast
针对同领域异质时间序列直接预测困难的问题，提出结合动态时间规整相似度与k近邻构建邻域、通过平均法提升简单模型预测效果的通用框架，并给出多种平均方式、理论依据及诊断工具。
2024-01-30 stat.ME stat.ML
Deep Convolutional Architectures for Extrapolative Forecast in Time-dependent Flow Problems
Delhi Technological University（德里理工大学）；École de technologie supérieure（高等技术学院）
物理系统的动力学是由偏微分方程（PDE）发现在许多领域的应用，从工程设计到天气预报。从这样的偏微分方程获得解决方案的过程可能是计算昂贵的大规模和参数化的问题。在这项工作中，专门为时间序列预测开发的深度学习技术，如LSTM和TCN，或用于空间特征提取的深度学习技术，如CNN，被用来为平流主导的问题建模系统动力学。这些模型将从偏微分方程获得的连续时间步长的一系列高保真矢量解作为输入，并使用自回归预测后续时间步长的解;从而减少了获得这种高保真解所需的计算时间和功率。该模型进行测试的数值基准（一维Burgers方程和斯托克的溃坝问题），以评估长期的预测精度，即使在训练域（外推）。非侵入式降阶建模技术（如深度自动编码器网络）用于压缩高保真快照，然后将其作为预测模型的输入，以降低在线和离线阶段的复杂性和所需计算。深度集成被用来执行预测模型的不确定性量化，它提供了关于由于认知不确定性而导致的预测方差的信息。
2022-09-18 cs.LG physics.comp-ph
Spatio-temporal circular models with non-separable covariance structure
循环数据出现在许多应用领域。最近，人们有兴趣研究在时间和空间上分别收集的循环数据。在这里，我们将这项工作的一些时空设置，引入时空依赖。我们容纳协变量，实施完整的克里金法和预测，并允许可能与时间相关的金块。我们在贝叶斯框架内工作，引入合适的潜在变量，以促进马尔可夫链蒙特卡罗（MCMC）模型拟合。贝叶斯框架使我们能够实现完整的推理，获得克里金和预测的预测分布。我们提供灵活性较低但更易于解释的包装高斯过程和更灵活但更易于解释的投影高斯过程之间的比较。我们这样做说明性地使用模拟数据和数据从计算机模型输出的波在亚得里亚海的意大利海岸的方向。
2017-04-17 stat.ME
FuXi Weather: A data-to-forecast machine learning system for global weather
本文提出FuXi Weather系统，通过多卫星数据融合实现高分辨率全球天气预测，优于ECMWF HRES，在观测稀疏区域表现更优。
2024-11-18 cs.LG physics.ao-ph
A Quantile-Based Kumaraswamy-Teissier autoregressive moving average models
Indian Institute of Technology Mandi（印度技术学院曼迪分校）
本文提出KTARMA模型，以正数值时间序列为研究对象，采用条件最大似然推断，经模拟与西北喜马拉雅降雨数据验证，其预测性能优于KARMA、βARMA模型。
2026-09-07 stat.ME
Conformalised Conditional Normalising Flows for Joint Prediction Regions in time series
Hasso Plattner Institute for Digital Engineering（哈索·普拉特纳数字工程学院）；University of California, Irvine（加利福尼亚大学欧文分校）；Hasso Plattner Institute for Digital Health at the Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院哈索·普拉特纳数字健康研究所）
针对保形预测难以适配概率生成模型（如归一化流）的问题，提出保形化条件归一化流的新方法，解决时间序列多步预测的区域获取问题，利用归一化流灵活性生成不相交区域以提升多模态分布下的预测效率。
2024-11-26 cs.LG stat.ML
Real-time Locational Marginal Price Forecasting Using Generative Adversarial Network
Arizona State University（亚利桑那州立大学）
本文提出了一种无模型无监督学习方法来预测电力批发市场中的实时的【形】位置边际电价。通过将系统范围内的每小时RTLMP数据组织成由一系列时间索引矩阵组成的3维（3D）张量，我们将RTLMP预测问题表示为给定历史RTLMP张量的预测RTLMP生成下一个矩阵的问题，并提出了生成对抗网络（GAN）模型来预测RTLMP。所提出的配方保留了历史RTLMP张量格式的系统范围RTLMP之间的时空相关性。所提出的GAN模型使用历史RTLMP张量学习时空相关性，并生成与历史RTLMP张量在统计上相似且在时间上相干的RTLMP。该方法仅使用公开的历史价格数据来预测系统范围的RTLMP，而不涉及系统模型的机密信息，例如系统参数、拓扑结构或操作条件。该方法的有效性进行了验证，通过案例研究，使用历史RTLMP数据在西南电力池（SPP）。
2020-11-09 cs.LG eess.SP
Multivariate Time-series Anomaly Detection via Graph Attention Network
Microsoft（微软）；Peking University（北京大学）
多元时间序列的异常检测在数据采掘研究和工业应用中具有重要意义。最近的方法在这一主题上取得了重大进展，但仍然存在局限性。一个主要的限制是，它们没有明确地捕捉不同时间序列之间的关系，导致不可避免的误报。在本文中，我们提出了一种新的自监督框架的多元时间序列异常检测来解决这个问题。我们的框架将每个单变量时间序列视为一个单独的特征，并包括两个并行的图形注意力层，以学习多变量时间序列在时间和特征维度上的复杂依赖关系。此外，我们的方法联合优化基于预测的模型和基于构造的模型，通过单时间戳预测和整个时间序列的重构相结合，获得更好的时间序列表示。我们通过大量的实验证明了我们的模型的有效性。所提出的方法优于其他国家的最先进的模型在三个真实世界的数据集。进一步的分析表明，我们的方法具有良好的解释性，是有用的异常诊断。
2020-09-04 cs.LG stat.ML
Communications to Circulations: Real-Time 3D Wind Field Prediction Using 5G GNSS Signals and Deep Learning
Nanjing University of Information Science and Technology（南京信息工程大学）；State Key Laboratory of Environment Characteristics and Effects for Near-space（近空间环境特征与效应国家重点实验室）；Engineering Technology Research Center for Meteorological Observation of CMA（中国气象局气象观测工程技术研究中心）；Huawei Technologies Co., Ltd（华为技术有限公司）；China Mobile Zhejiang Co., Ltd（中国移动通信集团浙江有限公司）
本文提出G-WindCast深度学习框架，利用5G GNSS信号强度变化并结合FNN与Transformer，实现最长30分钟的实时三维风场预测，且在站点约100个时仍具准确、可扩展的局地预报能力。
2025-10-20 cs.AI cs.LG
Feature Selection with Annealing for Forecasting Financial Time Series
本研究首次在金融时间序列预测中应用退火特征选择（FSA）结合Lasso方法筛选特征，并使用LR、XGBoost和LSTM模型在10个金融数据集上进行实验，结果表明FSA算法能显著提升机器学习模型的预测性能。
2024-02-23 cs.LG q-fin.CP
Leveraging Time Series Categorization and Temporal Fusion Transformers to Improve Cryptocurrency Price Forecasting
Yazd University（亚兹德大学）；New York Institute of Technology（纽约理工学院）
本研究提出利用时间序列分类和基于注意力机制的深度学习模型预测加密货币价格，并结合其他加密货币数据解决数据量不足问题，从而提高各子序列类别的预测准确性。
2024-12-19 cs.CE cs.LG q-fin.ST
Relational Conformal Prediction for Correlated Time Series
Politecnico di Milano（米兰理工大学）；NORCE Norwegian Research Centre AS（挪威研究中心）
本文提出CoRel方法，利用图深度学习和保形预测框架对相关时间序列进行不确定性量化，无需预知图结构且能自适应处理不可交换数据，在基准上达到最先进水平。
2025-06-05 cs.AI cs.LG
Rapidly evaluating lockdown strategies using spectral analysis: the cycles behind new daily COVID-19 cases and what happens after lockdown
谱分析表征振荡时间序列行为，如周期，但准确的估计需要合理数量的观察。许多国家目前的COVID-19时间序列都很短：封锁前和封锁后的时间序列更短。在这样的系列中准确估计潜在的有趣的周期似乎遥不可及。我们解决的问题，获得准确的估计，从短时间序列使用最近的贝叶斯谱融合方法。在这里，我们显示，许多国家转换后的每日新冠肺炎病例通常包含三个周期，波长约为2.7、4.1和6.7天（每周）。我们发现，较短的周期被抑制后锁定。封锁前后的差异表明，每周效应至少部分是由于非疫情因素，而两个较短的周期似乎是疫情固有的。不受约束的新病例呈指数级增长，但内部循环结构导致病例周期性下降。这表明，封锁的成功可能只有通过每日病例下降四次或更多才能表明。流行病时间序列的谱学习有助于了解流行病的过程，帮助评估干预措施，并协助预测。光谱融合是一种能够融合不同采样率下记录的光谱的通用技术，它可以应用于来自许多学科的广泛的时间序列。
2020-04-16 q-bio.PE stat.AP
Pose Forecasting in Industrial Human-Robot Collaboration
Sapienza University of Rome（罗马第一大学）；University of Verona（维罗纳大学）
推回工业环境中的协作机器人的前沿，我们提出了一个新的分离稀疏图卷积网络（SeS-GCN）的位姿预测。SeS-GCN第一次将GCN中空间、时间和通道维度的交互瓶颈化，并通过师生框架学习稀疏邻接矩阵。与最先进的技术相比，它只使用了1.72%的参数，并且速度快了4倍，同时在未来1秒内仍然可以在Human3.6M上执行预测准确性，这使得cobots能够意识到人类操作员。作为第二个贡献，我们提出了一个新的基准协作机器人和人类在工业协同（CHICO）。CHICO包括20个人类操作员和协作机器人的多视图视频，3D姿势和轨迹，参与7个逼真的工业动作。此外，它还报告了226次真正的碰撞，发生在人类与协作机器人的交互过程中。我们在CHICO上测试SeS-GCN在机器人技术中的两个重要感知任务：人类姿势预测，在未来的1秒内达到85.3 mm（MPJPE）的平均误差，运行时间为2.3 msec，以及碰撞检测，通过将预测的人类运动与已知的协作机器人运动进行比较，获得F1分数为0.64。
2022-07-24 cs.CV cs.LG cs.RO
Graph-based Forecasting with Missing Data through Spatiotemporal Downsampling
IDSIA USI-SUPSI（IDSIA USI-SUPSI（瑞士意大利语大学与瑞士应用科学大学联合机构））；Università della Svizzera italiana（瑞士意大利语大学）；Politecnico di Milano（米兰理工大学）；UiT the Arctic University of Norway（挪威北极大学）；NORCE, Norwegian Research Centre AS（NORCE挪威研究中心）
本文提出分层时空下采样方法，通过逐步粗化时间与空间并利用可解释注意力机制组合多尺度表示，有效解决缺失数据下的时空预测问题，在连续缺失场景中优于现有方法。
2024-06-08 cs.AI cs.LG
Forecasting Bitcoin closing price series using linear regression and neural networks models
University of Cagliari（卡利亚里大学）
本文研究了如何利用前几天的价格和交易量数据来预测比特币的每日收盘价序列。比特币的价格行为在很大程度上仍未被探索，这带来了新的机会。我们将我们的结果与两个关于比特币价格预测的现代作品进行了比较，并与最近一篇著名的论文进行了比较，该论文使用了英特尔，国家银行股票和微软的纳斯达克每日收盘价，时间跨度为3年。我们并行地采用了不同的方法，实现了统计技术和机器学习算法。单变量序列预测的SLR模型仅使用收盘价，而多变量序列的MLR模型同时使用价格和数量数据。我们对这些序列应用ADF检验，结果与随机游走无法区分。我们还使用了两种人工神经网络：MLP和LSTM。然后，我们将数据集划分为较短的序列，代表不同的价格制度，使用一个以上的先前价格获得最佳结果，从而证实了我们的制度假设。所有模型均采用MAPE和相对RMSE进行评价。它们表现良好，总体上优于基准中获得的结果。根据结果，可以证明所提出的方法的有效性及其对最新技术的贡献。
2020-01-04 cs.LG q-fin.ST stat.ML
Taming Local Effects in Graph-based Spatiotemporal Forecasting
The Swiss AI Lab IDSIA USI-SUPSI, Università della Svizzera italiana（瑞士人工智能实验室 IDSIA USI-SUPSI，瑞士意大利语大学）；Politecnico di Milano（米兰理工大学）
本文研究基于图的时空预测中全局与局部效应的平衡，提出将可训练节点嵌入用于摊销专门组件学习，以结合共享层与节点特定参数并支持模型迁移，经验证明其提升预测准确性。
2023-11-10 cs.AI cs.LG
Interpretable Short-Term Load Forecasting via Multi-Scale Temporal Decomposition
Pennsylvania State University（宾夕法尼亚州立大学）；Hong Kong University of Science and Technology（香港科技大学）
本文提出一种基于多尺度时间分解的可解释深度学习方法，通过学习专注于时间特征的神经网络线性组合，在短期负荷预测中实现了更高的预测精度和特征与时间双重可解释性。
2024-02-18 cs.LG eess.SP
SITUATE: Indoor Human Trajectory Prediction through Geometric Features and Self-Supervised Vision Representation
University of Verona（维罗纳大学）；Visvesvaraya National Institute of Technology（维斯瓦瓦拉亚国家理工学院）
本文提出 SITUATE 方法，结合等变与不变几何特征和自监督视觉表示进行室内人类轨迹预测，在 THÖR 和 Supermarket 数据集上取得最优性能，并展现出优于室外导向模型的泛化能力。
2024-09-01 cs.CV cs.LG
Deep Reinforcement Learning-Assisted Federated Learning for Robust Short-term Utility Demand Forecasting in Electricity Wholesale Markets
Department of Engineering, Brock University（布鲁克大学工程系）
针对电力批发市场中发电厂无法直接获取公用事业公司数据、联邦学习训练STLF模型易因缺陷性能下降的问题，提出DRL辅助的DearFSAC方法，结合LSTM、自编码器实现鲁棒准确的短期负荷预测，经真实数据验证性能优于其他方法。
2023-07-25 cs.DC cs.LG
Task-Aware Mixture-of-Experts for Time Series Analysis
East China Normal University（东华师范大学）
PatchMoE通过引入递归噪声门控和时空负载平衡损失，实现任务感知的时间序列分析框架，提升不同任务的建模能力。
2026-01-20 cs.LG
Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies
Oxford-Man Institute（牛津-曼研究所）；University of Oxford（牛津大学）
本文提出少样本趋势跟踪模型X-Trend，通过交叉注意力从历史市场状态中迁移趋势模式，实现快速适应新市场状态，在2018-2023年动荡期显著提升夏普比率并加速从回撤中恢复。
2024-03-28 cs.LG q-fin.PM q-fin.TR
Multivariate time series prediction using clustered echo state network
Department of Physics, Centre for Nonlinear Science and Engineering, School of Electrical and Electronics Engineering（物理系、非线性科学与工程中心、电气与电子工程学院）
本文提出了一种聚类回声状态网络（CESNs），通过将 reservoir 节点划分为集群来提升多变量时间序列的预测能力，实验表明其在预测精度和抗噪声能力上优于传统 ESNs。
2025-11-28 cs.LG nlin.CD
Long-term prediction of El Niño-Southern Oscillation using reservoir computing with data-driven realtime filter
Faculty of Sustainable Design, University of Toyama（富山大学可持续设计学部）；The Graduate School of Environment, Life, Natural Science and Technology, Okayama University（冈山大学环境、生命、自然科学及技术研究生院）；Graduate School of Business Administration, Hitotsubashi University（立正大学商学院）；Graduate School of Economics, Hitotsubashi University（立正大学经济学研究生院）
本研究提出一种仅依赖过去数据的新型带通滤波器，结合储层计算，实现对厄尔尼诺-南方涛动长达24个月的长期预测，提升机器学习模型的预测时效。
2025-05-23 cs.LG physics.ao-ph physics.comp-ph
Multi-step-ahead Stock Price Prediction Using Recurrent Fuzzy Neural Network and Variational Mode Decomposition
Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工大学））
金融时间序列预测是一个日益发展的研究课题，引起了学者们的极大兴趣，并发展了多种预测方法。其中，基于分解的方法已经取得了可喜的成果。大多数基于分解的方法近似于单个函数，这不足以获得准确的结果。此外，大多数现有的研究都集中在一步预测，阻止股票市场投资者到达未来的最佳决策。本研究提出了两种新的方法，多步前进的股票价格预测的基础上概述的问题。DCT-MFRFNN是一种基于离散余弦变换（DCT）和多功能递归模糊神经网络（MFRFNN）的股票价格预测方法，该方法利用DCT减少时间序列的波动，简化其结构，利用MFRFNN对股票价格进行预测。VMD-MFRFNN是一种基于变分模式分解（VMD）和MFRFNN的方法，结合了两者的优点。VMD-MFRFNN由两个阶段组成。在分解阶段使用VMD将输入信号分解为多个IMF。在预测和重构阶段，将每个IMF提供给单独的MFRFNN进行预测，并将预测信号求和以重构输出。三个金融时间序列，包括恒生指数（HSI），上海证券交易所（SSE），标准普尔500指数（SPX），用于评估所提出的方法。实验结果表明，VMD-MFRFNN优于其他国家的最先进的方法。平均而言，VMD-MFRFNN分别显示了HSI，SSE和SPX的次优模型的RMSE分别降低了35.93%，24.88%和34.59%。此外，DCT-MFRFNN优于MFRFNN在所有的实验。
2022-12-24 cs.CE cs.LG q-fin.ST
