SEER框架处理噪声、缺失和偏移的时间序列数据

研究人员推出SEER，一个基于Transformer的框架，旨在增强时间序列预测的鲁棒性。SEER通过采用自动化的补丁增强和替换策略，解决了噪声、异常、缺失值和分布偏移等常见数据质量问题。这种方法允许对各种低质量时间序列数据进行统一建模，旨在提高在数据不完美现实工业应用中的预测准确性和稳定性。 AI

影响 增强时间序列预测的鲁棒性，可能提高关键工业应用的可靠性。

排序理由 该条目描述了在会议研究论文中提出的新模型和框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 雷峰网 (Leiphone) 阅读 →

• Bin Yang
• Crossformer
• Hanyin Cheng
• ICML2026
• Jilin Hu
• Merlin
• PatchTST
• SEER
• Tianen Shen
• Transformer
• Triformer
• Xiangfei Qiu
• Xingjian Wu
• xPatch
• Xvyuan Liu

• 模型发布
• 论文

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →