Time Series Forecasting
PulseAugur coverage of Time Series Forecasting — every cluster mentioning Time Series Forecasting across labs, papers, and developer communities, ranked by signal.
5 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.
-
新的SCORE框架可有效近似高斯目标的协方差矩阵
研究人员开发了SCORE，一个用于高维高斯目标中协方差矩阵近似的新型框架，该框架基于神经网络的预测建模。该方法将学习任务分解为边缘分布和结构化相关矩阵，从而能够以线性存储和O(d log d)的成本进行高效计算。SCORE利用了用于训练的闭式高斯核分数，该分数对退化协方差具有鲁棒性并提供有界梯度。该框架在包括时间序列预测、单目深度估计和空间天气预测在内的各种任务中，均已证明了性能的提高和计算成本的降低。
-
新的MARO模型优先考虑近期数据以进行高级时间序列预测
研究人员推出了一种新颖的时间序列预测模型MARO，该模型优先考虑近期数据。与对所有历史数据应用统一处理的传统模型不同，MARO按顺序处理回溯窗口，从最近的块到最旧的块。这种方法使用最近的数据作为锚点来条件化旧数据的处理，使模型能够以不增加参数的方式保持以近期证据为中心。在真实数据集上的实验表明，MARO在长期和短期预测中均取得了最先进的性能。
-
新论文呼吁对时间序列预测模型进行基于场景的压力测试
一篇新发表在arXiv上的论文认为，当前时间序列预测（TSF）的基准不足以应对实际部署。作者认为，现有的压力测试，通常侧重于高斯噪声或对抗性扰动，未能捕捉到已部署系统的复杂故障模式。这些故障可能源于改变时间动态、破坏依赖关系或从故障传感器传播的结构化事件。该论文提倡基于场景的压力测试，这将涉及根据明确的故障算子和可测量的难度级别来评估模型，使评估更具可解释性和与部署相关性。
-
新的最小化架构超越DS模型，解决模式切换问题
研究人员开发了一种新颖的最小化架构DynaBase，用于动力系统的零样本重构。该架构采用单参数分段仿射映射和上下文选择器，能够重现各种动力学模式，并且在长期统计和短期预测方面均出人意料地优于现有模型。此外，另一篇论文解决了动力系统重构中的拓扑域外泛化问题，重点在于在不明确了解控制参数的情况下预测分岔等模式切换。
-
arXiv发布新研究，介绍先进的时间序列预测技术 · 跟踪9个来源
arXiv上发表的多篇研究论文介绍了改进时间序列预测的新方法。SteerCast通过使用过去数据的数据库来指导预测，而无需重新训练，从而增强了仅解码器模型。MIDAPN为数值和多模态时间序列数据提供了一个统一的骨干网络，集成了图适应和时间分析。CARE是一个轻量级模块，通过学习残差校正模式并提供不确定性估计来改进确定性预测器。SACQ通过使用交叉注意力和门控校正机制来优化长期预测，其性能优于标准的读出头。RideBench推出了一个大…
-
新型PIRNN模型利用历史物理数据改进时间序列预测
研究人员开发了一种物理信息循环神经网络（PIRNN），通过整合历史数据中的物理知识来改进时间序列预测。与之前的物理信息神经网络（PINNs）不同，PIRNN可以估计不可观测的中间物理变量，从而提高模型的鲁棒性和可解释性。该模型在花园尼亚（Gardenia）物理模型的地下水位预测任务上进行了测试，并在多个数据集上优于其他神经网络模型，凸显了物理背景在预测任务中的重要性。
-
新方法减少Transformer时间序列预测中的冗余依赖
研究人员开发了一种新策略，通过减少冗余Token依赖来改进基于Transformer的时间序列预测模型。该方法联合应用注意力熵约束和预测误差约束，使模型能够识别并仅利用最关键的Token间依赖。在多个数据集上的实验表明，该方法通过减轻无关信息的干扰，提高了预测准确性。
-
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。