Time Series Forecasting
PulseAugur coverage of Time Series Forecasting — every cluster mentioning Time Series Forecasting across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
Time Series Forecasting models will increasingly incorporate RAG for improved accuracy
Recent research highlights two new papers (SERAF and Cross-RAG) that leverage Retrieval-Augmented Generation (RAG) to enhance time series forecasting accuracy. This suggests a growing trend towards integrating RAG techniques, which combine external knowledge with forecasting models, to improve performance across various datasets and forecasting tasks.
Diffusion models and LLMs will be integrated for enhanced time series forecasting capabilities
The development of Diffusion-LLM, which combines diffusion models with LLMs, addresses limitations in handling multimodal data and improves probabilistic modeling for time series forecasting. Its demonstrated success in ultra-long-term and few-shot forecasting suggests this hybrid approach will see further adoption for robust and generalized forecasting.
Metalearning and abstention strategies will become more prevalent in time series forecasting
A new metalearning framework enables selective time series forecasting by allowing models to abstain from making predictions on difficult data points. This approach, which uses scale-invariant statistics for transferability, indicates a potential shift towards more nuanced forecasting methods that recognize model limitations and improve overall reliability.
-
新框架将时间序列预测视为视觉修复任务
研究人员推出 ICI-Time，一个将时间序列预测视为视觉修复问题的新框架。该方法通过将时间序列数据转换为面积图等视觉表示，来利用大型视觉模型的能力。该方法允许预训练的视觉 Transformer 在这些视觉提示中完成模式，而无需专门的时间架构或大量的微调。在流行病学、气象学和电力系统等不同领域的实验表明，ICI-Time 在现有深度学习方法中具有竞争力，尤其是在数据有限的情况下。
-
MetaCaster 框架赋能轻量级时间序列预测器的少样本学习
研究人员推出 MetaCaster，一个新颖的多智能体框架，旨在促进轻量级时间序列预测器的少样本学习。该系统通过使用智能体进行自动化数据生成，解决了用有限数据训练有效预测器的挑战。MetaCaster 旨在实现适用于资源受限环境的专业、高效预测器的创建，并在众多数据集和基线中展示出强大的性能。
-
ICI-Time框架将时间序列预测重构为视觉修复问题
研究人员开发了ICI-Time，一个将时间序列预测视为视觉修复问题的新框架。该方法通过将时间序列数据转换为面积图，然后用于模式补全任务，从而利用大型视觉模型。在流行病学、气象学和电力系统中的实验表明，ICI-Time在与现有深度学习方法相比时具有竞争力，尤其是在数据有限的情况下。
-
深度学习模型在智能电表能源预测方面进行基准测试
研究人员对九种用于智能电表能源预测的深度学习模型进行了实证基准测试，并在两个公共数据集上评估了它们的性能。研究发现，虽然延长历史输入数据可提高准确性，但预测范围越长，准确性会随之下降。深度学习模型普遍优于传统方法，其中轻量级架构在较低的计算成本下提供了可比的性能。架构差异的有效性在更长的预测范围和更多样化的数据集上更为明显。
-
新的正则化技术可解决时间序列模型中的次优崩溃问题
研究人员引入了一种名为地面真实邻域正则化（GTN-R）的新技术，以提高时间序列基础模型（TSFM）在使用强化学习（RL）进行后训练时的性能。他们发现了一个名为“次优崩溃”的问题，即RL训练可能导致模型输出偏离正确值，从而限制准确性。GTN-R通过使用地面真实值作为参考来指导模型做出准确预测，从而增加采样高质量数据的可能性并提高整体性能。该方法可以与各种TSFM的RL方法集成，并在实验中显示出有效性。
-
新框架通过检索和新颖的架构增强时间序列预测 · 跟踪 4 个来源
研究人员推出了三个新颖的时间序列预测框架，每个框架都利用不同的技术来提高准确性和效率。TimePre 利用多层感知机的速度和多项选择学习的分布灵活性，并使用稳定的实例归一化来实现最先进的概率指标和更快的推理。KReF 采用无训练检索方法，将历史数据视为经验预测分布，在没有基于梯度的拟合的情况下实现具有竞争力的预测准确性和预测不确定性。TS-RAG 通过使用专门的参考令牌融合从检索到的相似序列中获取的信息，将检索增强生成 (RAG) 应…
-
独立研究员就新颖的时间序列预测方法寻求建议
一位独立研究员开发了一种新颖的时间序列预测方法，与现有的 TabPFN/TabFM 和 LightGBM 等方法相比，其准确性有了显著提高。研究员正在寻求关于最佳前进方向的建议，考虑的选项包括在 arXiv 上发表论文、撰写包含 GitHub 代码发布的博客文章，或专注于实际的现实世界应用。主要目标是严格评估该方法，并确保其潜在影响得到认可，同时不夸大初步结果。
-
新框架和量子模型推动时间序列预测发展 · 跟踪 5 个来源
研究人员正通过新框架和模型推动时间序列预测的发展。其中一种方法 WrapFlow 使用连续时间建模和标记化来处理不规则数据，取得了最先进的结果。另一项进展涉及量子神经网络，MTSF-ANO 集成了变分量子电路和自适应非局部可观测量，以提高预测准确性。此外，受大型语言模型启发的基金模型概念正在被探索用于时间序列预测，提供了一种可以通过微调进一步增强的统一方法。
-
设备端学习提高了电动汽车电池功率预测的准确性
研究人员开发了一种新颖的设备端学习方法，以改进电动汽车的电池功率预测。该方法允许预训练的深度学习模型持续适应新数据，从而解决性能下降的问题。该研究调查了在线和离线适应策略，显示平均绝对误差显著降低，离线适应可降低高达 14.88%，从而在实际场景中实现更准确的预测。
-
LSTM在金融时间序列预测中优于基线KAN
一项近期研究比较了Kolmogorov-Arnold网络（KAN）和长短期记忆（LSTM）网络在金融时间序列预测中的应用，发现LSTM在预测准确性方面显著优于基线KAN。尽管KAN提供了理论上的可解释性，但其标准形式在处理序列数据方面不如LSTM有效。该研究为KAN在此类数据上的性能设定了一个基线，并建议进一步研究专门的时间序列KAN变体。
-
新的自门控注意力机制提升了Transformer在时间序列预测中的效率
研究人员开发了一种名为自门控注意力（SGA）的新型注意力机制，旨在提高Transformer模型在时间序列预测中的效率。Transformer中标准的自注意力机制具有二次复杂度，这可能成为实时应用的瓶颈。SGA通过使用共享的可学习矩阵和依赖于输入的残差组件来解决这个问题，将复杂度降低到相对于回溯长度的线性时间和内存使用。在九个不同数据集上的实验表明，SGA在保持具有竞争力的预测性能的同时，显著提高了推理效率，优于现有的注意力方法。
-
新的WECA方法增强了异常感知时间序列预测
研究人员开发了一种新颖的时间序列预测目标——加权对比适应（WECA），旨在提高处理异常数据时的可靠性。WECA对正常数据和异常增强数据的表示进行对齐，在常规操作期间保持一致性的同时保留了关键的异常信息。在使用ATM交易数据的评估中，WECA在受异常影响的数据上展示了预测精度的显著提高，其表现优于基线模型，且未损害在正常数据上的性能。
-
新的DMSC框架提高了时间序列预测的准确性和效率
研究人员开发了一个名为DMSC（动态多尺度协调框架）的新框架，以应对时间序列预测中的挑战。该框架利用新颖的多尺度块分解（EMPD）进行动态序列分割，三元组交互块（TIB）进行全面的依赖建模，以及自适应尺度路由MoE块（ASR-MoE）灵活融合多尺度预测。在十三个真实世界基准上的实验表明，DMSC实现了最先进的性能和更高的计算效率。
-
新的 TopoCast 框架评估时间序列预测中的结构保真度
研究人员推出 TopoCast，一个旨在评估由基于 Transformer 的模型生成的时间序列预测的结构保真度的新框架。与关注数值准确性的均方误差等传统指标不同，TopoCast 利用持久同调和 Takens 延迟嵌入来分析预测信号的潜在动态和结构特性。这种方法旨在识别传统评估方法常常忽略的过平滑、相位偏移和频率失真等问题。实验表明，TopoCast 可以揭示在标准误差指标上表现相似的模型之间在结构完整性方面的显著差异。
-
元学习框架实现选择性时间序列预测
研究人员开发了一种新颖的选择性时间序列预测框架，该框架利用元学习来提高准确性。这种方法允许模型在特别具有挑战性的数据点上弃权预测，这是一种以前在预测中未充分探索的策略。与依赖领域特定代理的现有方法不同，所提出的框架使用从近期数据特征派生的尺度不变统计量，从而能够有效地跨不同时间序列转移弃权能力。
-
Diffusion-LLM 将扩散模型与 LLM 集成，实现鲁棒的时间序列预测
研究人员开发了一个名为 Diffusion-LLM 的新框架，该框架集成了条件扩散模型和大型语言模型（LLMs），用于时间序列预测。该方法旨在通过实现校准概率建模和更好地对齐异构表示来解决标准 LLM 在处理多模态数据方面的局限性。Diffusion-LLM 框架在 ETT、Weather 和 ECL 等多个基准的超长期和少样本预测任务上表现出改进的性能，展示了增强的鲁棒性和泛化能力。
-
新的ConTex框架为时间序列预测提供实时反事实解释
研究人员开发了ConTex，一个用于在时间序列预测中生成反事实解释的新颖框架。与依赖于实例优化之前的方法不同，ConTex将问题重构为学习一个全局一致的干预策略。该方法利用时间上下文编码器和条件编码器，在单次前向传播中生成跨越时间和特征维度的有针对性的、可解释的干预。ConTex展示了最先进的有效性，产生稀疏的反事实，并显著降低了计算成本，使其适用于实时应用。
-
新的 RAG 方法提高了时间序列预测的准确性
两篇新的研究论文探讨了检索增强生成（RAG）在时间序列预测方面的进展。第一篇论文介绍了 SERAF，一个结合使用时间序列相似性和文本描述进行检索的框架，在多个数据集上展示了预测准确性的提高。第二篇论文 Cross-RAG 通过采用交叉注意力来关注与查询相关的样本，解决了检索数据不相关的问题，并在各种 RAG 方法和预测模型中显示出稳定性和性能的提高。
-
基础模型在时间序列预测中展现出潜力，新的路由器优化部署
一篇新论文评估了基础模型在时间序列预测中的有效性，并将其与传统的监督学习方法进行了比较。研究表明，基础模型在具有可转移周期性结构的情况下表现出色，并且有利于冷启动或长尾数据，而监督专家在物理约束系统方面仍然更胜一筹。该研究还强调，基础模型在金融预测方面正在迅速改进，并提出了一个“复杂度路由器”来优化模型选择，以提高准确性和降低成本。
-
TimeGuard 防御机制应对时间序列预测中的后门攻击
研究人员开发了TimeGuard，一种专门针对时间序列预测（TSF）的后门攻击的新防御机制。现有的防御机制在TSF方面存在困难，因为数据纠缠和任务制定转移会稀释信号，并使被污染的数据与干净数据无法区分。TimeGuard通过采用通道级池训练和基于时间感知标准初始化的置信度高的池，以及距离正则化损失选择来管理训练退化，从而解决了这些问题。实验表明，TimeGuard在保持干净性能的同时，显著增强了对TSF后门攻击的鲁棒性。